Farklı derin öğrenme metotlarında periapikal lezyon tespiti ve pai skorunun değerlendirilmesi
Periapical lesion identification and pai score analysis using multiple deep learning frameworks
- Tez No: 957440
- Danışmanlar: DOÇ. DR. İREM ÇETİNKAYA
- Tez Türü: Diş Hekimliği Uzmanlık
- Konular: Diş Hekimliği, Dentistry
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Trakya Üniversitesi
- Enstitü: Diş Hekimliği Fakültesi
- Ana Bilim Dalı: Endodonti Ana Bilim Dalı
- Bilim Dalı: Endodonti Bilim Dalı
- Sayfa Sayısı: 76
Özet
Amaç: Bu çalışmada, periapikal radyografilerde Periapikal İndeks (PAI) skorlarına dayalı olarak periapikal lezyonların otomatik tespitinde farklı derin öğrenme (DÖ) mimarilerinin (DenseNet-161, EfficientNet-B0, ResNet-50, MaxViT-T) performansları karşılaştırıldı. Gereç ve Yöntem: Çalışmada Trakya Üniversitesi Diş Hekimliği Fakültesi arşivinden elde edilen 3.541 periapikal radyografi kullanıldı ve 6.000 diş kökü uzman endodontistler tarafından PAI skorlarına göre etiketlendi. Veri seti, PAI 1–2 (sağlıklı) ve PAI 3–4–5 (hastalıklı) olarak iki ana gruba ayrıldı. Transfer öğrenme yaklaşımı ile eğitilen dört farklı DÖ modeli, doğruluk, hassasiyet, özgüllük, F1 skoru ve AUC gibi metriklerle değerlendirildi. Modeller arasındaki farklar ki-kare testi, Bonferroni düzeltmesi ve bootstrap analizi ile istatistiksel olarak incelendi. Bulgular: PAI 1–2 vs. 3–4–5 sınıflamasında DenseNet-161 modeli en yüksek doğruluk (%88) ve AUC (0.88) değerine ulaşırken, EfficientNet-B0 %84 doğruluk ile ikinci sırada yer aldı. ResNet-50 orta düzey başarı (%72 doğruluk) sergilerken, MaxViT-T düşük hassasiyet (%29) gösterdi. PAI 1 vs. PAI 2 ayrımında DenseNet-161, %67 doğruluk ile en dengeli model oldu. Sonuç: DenseNet-161 ve EfficientNet-B0, periapikal lezyon tespitinde klinik açıdan en güvenilir modeller olarak öne çıkmaktadır. Çalışma, yapay zekâ tabanlı endodontik karar destek sistemlerinin, klinik tanısal süreçlere entegre edilmesi için önemli bir adım oluşturmaktadır.
Özet (Çeviri)
Objective: This study aimed to compare the performance of four deep learning (DL) architectures (DenseNet-161, EfficientNet-B0, ResNet-50, MaxViT-T) for the automated detection of periapical lesions based on Periapical Index (PAI) scores on periapical radiographs. Materials and Methods: A total of 3,541 periapical radiographs from Trakya University Faculty of Dentistry were used, yielding 6,000 tooth root images annotated by expert endodontists according to PAI scores. The dataset was divided into two main groups: PAI 1–2 (healthy) and PAI 3–4–5 (pathological). All models were fine-tuned via transfer learning and evaluated using metrics such as accuracy, sensitivity, specificity, F1-score, and area under the curve (AUC). Statistical comparisons between models were performed using the chi-square test, Bonferroni correction, and bootstrap analysis. Results: In the PAI 1–2 vs. 3–4–5 classification, DenseNet-161 achieved the highest performance (accuracy: 88%, AUC: 0.88), followed by EfficientNet-B0 (accuracy: 84%, AUC: 0.81). ResNet-50 exhibited moderate success (accuracy: 72%), whereas MaxViT-T showed poor sensitivity (29%). In the PAI 1 vs. PAI 2 classification, DenseNet-161 (accuracy: 67%, F1: 0.67) emerged as the most balanced model. Conclusion: DenseNet-161 and EfficientNet-B0 were identified as the most clinically reliable models for periapical lesion detection. This study demonstrates that AI-driven decision-support systems can enhance diagnostic accuracy and provide consistent, objective evaluation in endodontics.
Benzer Tezler
- Otomatik diş dolgu tespitinde derin öğrenme algoritmalarının performanslarının karşılaştırılması
The comparison of deep learning algorithms' performances in detection of automated dental filling
GÖKTUĞ BACANLI
Yüksek Lisans
Türkçe
2023
Elektrik ve Elektronik MühendisliğiGazi ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MAHMUT EMİN ÇELİK
- Termal ve yüksek çözünürlüklü kamera görüntülerinden derin öğrenme kullanılarak drone tespiti
Drone detection using deep learning from thermal and high resolution camera images
OĞUZHAN YANIK
Yüksek Lisans
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolDüzce ÜniversitesiElektrik-Elektronik ve Bilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. YUSUF ALTUN
- Davranış fonksiyonu tabanlı derin pekiştirmeli öğrenme algoritmaları eğitiminde dağıtık mimari kullanımı
Utilization of distributed architecture in training policy-based deep reinforcement learning algorithms
CİHAN ÇALIŞIR
Yüksek Lisans
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKTO Karatay ÜniversitesiElektrik-Elektronik Ana Bilim Dalı
DR. ÖĞR. ÜYESİ SEMİH YUMUŞAK
- Tıbbi görüntü analizi ve işlemede derin öğrenme modelleri
Deep learning models on medical image analysis and processing
YASİN KIRELLİ
Doktora
Türkçe
2022
Endüstri ve Endüstri MühendisliğiSakarya ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DOÇ. DR. SEHER ARSLANKAYA
- Aviyonikte tekli ve çoklu sensör hatalarının makine öğrenmesi ile tespit edilmesi ve düzeltilmesi
Single and multi sensor fail detection and fixing via machi̇ne learning methods in avionics
MUHAMMED SAFA AYDIN
Yüksek Lisans
Türkçe
2022
Elektrik ve Elektronik MühendisliğiGazi ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. HASAN ŞAKİR BİLGE