Pediatrik panoramik diş görüntülerinde derin öğrenme ile yer tutucu gerekliliğinin sınıflandırılması
Classification of space maintainer requirement in pediatric panoramic dental images using deep learning
- Tez No: 982900
- Danışmanlar: DR. ÖĞR. ÜYESİ FATİH ÇİFTÇİ
- Tez Türü: Yüksek Lisans
- Konular: Mühendislik Bilimleri, Engineering Sciences
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Fatih Sultan Mehmet Vakıf Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Biyomedikal Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Biyomedikal Mühendisliği Ana Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Yer tutucular, erken süt dişi çekimi sonrasında diş arkında meydana gelebilecek yer kaybını önlemek amacıyla kullanılan ağız içi apareylerdir. Yer tutucuların zamanında ve doğru şekilde uygulanması, çocuğun diş gelişimi sürecine rehberlik ederek daimi dişlerin ideal konumda sürmesine olanak tanımaktadır. Ancak yer tutucu endikasyonunun doğru bir şekilde konulabilmesi için, biyolojik ve anatomik faktörlerin detaylı bir şekilde değerlendirilmesi gerekmektedir. Geleneksel olarak hekim değerlendirmesine dayanan bu süreç, sübjektifliğe açık olduğundan hatalı kararlarla sonuçlanabilmektedir. Mevcut durumda karşılaşılabilecek bu sorunu aşmak amacıyla, derin öğrenme temelli bir yaklaşım geliştirilmiştir. Çalışma kapsamında, uzman bir pedodontist tarafından etiketlenmiş panoramik röntgen görüntülerinden oluşan özel bir veri seti oluşturulmuş, her bir diş için yer tutucu gerekliliği sınıflandırılmıştır. Görüntüler, YOLOv5 algoritması kullanılarak nesne tespiti ve sınıflandırma işlemleri için eğitilmiştir. Model, MakeSense.AI ile etiketlenen veriler üzerinde %80-%20 eğitim-doğrulama oranıyla 50 epoch eğitilmiştir. Sonuçlar,“yer_tutucu_gerekmez”sınıfında %82,“yer_tutucu_gerekli”sınıfında %96 doğruluk göstermiştir. F1-Confidence eğrisi 0.403 güven eşiğinde 0.85 optimum performans, mAP@50 değeri 0.931 elde edilmiştir. Eğitim sürecinde loss değerleri düşmüş, precision-recall metrikleri 0.85-0.90 aralığında stabil kalmıştır.
Özet (Çeviri)
Space maintainers are intraoral appliances used to prevent loss of space in the dental arch after early deciduous tooth extraction. The timely and correct application of space maintainers guides the dental development process of the child and allows the permanent teeth to erupt in the ideal position. However, a detailed evaluation of biological and anatomical factors is required for the correct indication of a space maintainer. This process, which traditionally relies on the physician's assessment, is open to subjectivity and may result in erroneous decisions. In order to overcome this problem, a deep learning based approach has been developed. Within the scope of the study, a special dataset of panoramic X-ray images labeled by an expert pedodontist was created and the need for a space maintainer for each tooth was classified. The images were trained for object detection and classification using the YOLOv5 algorithm. The model was trained for 50 epochs with a training-validation ratio of 80%-20% on data labeled with MakeSense.AI. The results showed 82% accuracy in the“placeholder_not_necessary”class and 96% accuracy in the“placeholder_necessary”class. The F1-Confidence curve showed an optimum performance of 0.85 with a confidence threshold of 0.403 and a mAP@50 value of 0.931. During the training process, loss values decreased and precision-recall metrics remained stable in the range of 0.85-0.90.
Benzer Tezler
- Dental panoramik radyografilerde derin öğrenme tabanlı segmentasyon yaklaşımları
Deep learning based segmentation approaches on dental panoramic radiographies
NİDA KUMBASAR
Doktora
Türkçe
2024
Elektrik ve Elektronik MühendisliğiAtatürk ÜniversitesiElektrik-Elektronik Ana Bilim Dalı
PROF. İBRAHİM YÜCEL ÖZBEK
- Panoramik radyografik görüntüleri kullanan derin öğrenme tabanlı otomatik diş bölütleme yaklaşımı
Deep learning based automated teeth segmentation approach using panoramic radiographic images
CEREN SÖZERİ
Yüksek Lisans
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolÇanakkale Onsekiz Mart ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. BAHADIR KARASULU
- Radyolojik görüntülerde diş anomalilerinin derin öğrenme ile tespiti
Detection of dental anomalies on radiological images with deep learning
ESRA SİVARİ RESUL
Doktora
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAnkara ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. GAZİ ERKAN BOSTANCI
DR. ÖĞR. ÜYESİ GÜLER BURCU SENİRKENTLİ
- Pediatrik yaş grubu hastaların panoramik radiografik görüntülerinde foramen mandibulae morfometrisi ile maloklüzyon sınıflandırması arasındaki ilişkinin incelenmesi
Investigation of the relationship between mandibular foramina morphometry and malocclusion classification on the panoramic radiographic images of pediatric age group patients
ARİF KESKİN
Doktora
Türkçe
2021
AnatomiNecmettin Erbakan ÜniversitesiAnatomi Ana Bilim Dalı
PROF. DR. AYNUR EMİNE ÇİÇEKCİBAŞI
- Konik ışınlı bilgisayarlı tomografi görüntülerinden elde edilen pulpa hacmine dayalı tahmini yaş ile panoramik radyografi verilerine dayalı tahmini yaşın kronolojik yaşla doğruluğunun karşılaştırılması
Comparison of chronological age accuracy between estimated age based on pulp volume derived from cone beam computed tomography images and estimated age based on panoramic radiography data
YELDA POLAT
Diş Hekimliği Uzmanlık
Türkçe
2023
Diş HekimliğiDicle ÜniversitesiÇocuk Diş Hekimliği Ana Bilim Dalı
PROF. DR. SEMA ÇELENK