Geri Dön

Panoramik diş görüntülerinin analizinde derin öğrenme tabanlı bölgesel tespit yöntemlerinin araştırılması ve geliştirilmesi

Research and development of deep learning based regional detection methods for the analysis of panoramic dental images

PDF İndir

  1. Tez No: 984089
  2. Yazar: DENİZ BORA KÜÇÜK
  3. Danışmanlar: DOÇ. DR. MUAMMER TÜRKOĞLU
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Bilgisayarlı görüntüleme, Panoramik görüntüleme, Yapay zeka, Computer imaging, Panoramic imaging, Artificial intelligence
  7. Yıl: 2025
  8. Dil: Türkçe
  9. Üniversite: Samsun Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Yazılım Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Bu tez çalışması, panoramik diş radyografilerinde gömülü diş, diş çürüğü ve diş enfeksiyonu olmak üzere üç farklı dental patolojinin otomatik tespiti için derin öğrenme tabanlı yenilikçi modeller geliştirmeyi amaçlamaktadır. Geleneksel manuel görsel değerlendirme yöntemlerinin zaman alıcı, öznel ve yorgunluğa bağlı hatalara açık olması nedeniyle, her bir patoloji türü için özel olarak tasarlanmış ve optimize edilmiş derin öğrenme mimarileri önerilmiştir. Gömülü diş tespiti için, GAN tabanlı görüntü iyileştirme ile YOLOv8-L ve RT-DETR-L mimarilerinin birleştirildiği ensemble yaklaşımı kullanılmıştır. 407 panoramik görüntüden oluşan veri seti üzerinde yapılan deneylerde, optimize edilmiş model %98,3 [email protected] ve %99,2 recall değerlerine ulaşmıştır. Diş çürüğü tespiti için, YOLOv8 mimarisine ConvNeXtV2 blokları entegre edilmiş ve genetik algoritma ile hiperparametre optimizasyonu gerçekleştirilmiştir. 474 görüntüden oluşan veri setiyle yapılan çalışmalarda, optimize edilmiş model %62,6 [email protected] ve %78,4 precision değerleri elde etmiş; bu, temel YOLOv8'e göre %8,7 [email protected] artışı sağlamıştır. Diş enfeksiyonu tespiti kapsamında, YOLOv10 mimarisine ECA, SGE ve SKConv dikkat mekanizmaları entegre edilmiş ve genetik algoritma optimizasyonu uygulanmıştır. 422 panoramik görüntüyle yapılan deneylerde, optimize edilmiş model %64,5 [email protected], %76,1 precision ve %61,8 recall değerlerine ulaşmış; temel YOLOv10'a göre %6,6 [email protected] artışı sağlamıştır. Elde edilen bulgular, önerilen mimari iyileştirmelerin, optimizasyon tekniklerinin ve ensemble yaklaşımlarının temel modellere kıyasla anlamlı performans artışları sağladığını ortaya koymuştur. Bu çalışma, dental görüntüleme alanında derin öğrenme uygulamalarına önemli katkılar sunmakta ve geliştirilen sistemlerin diş hekimlerinin tanısal süreçlerini destekleyerek daha hızlı, nesnel ve doğru teşhis konulmasına yardımcı olma potansiyeline sahip olduğunu göstermektedir.

Özet (Çeviri)

This thesis aims to develop innovative deep learning-based models for the automatic detection of three different dental pathologies—impacted teeth, dental caries, and dental infections—in panoramic dental radiographs. Due to the time-consuming, subjective, and fatigue-prone nature of traditional manual visual evaluation methods, deep learning architectures specifically designed and optimized for each pathology type have been proposed. For impacted tooth detection, an ensemble approach combining GAN-based image enhancement with YOLOv8-L and RT-DETR-L architectures was employed. In experiments conducted on a dataset consisting of 407 panoramic images, the optimized model achieved [email protected], and 99.2% recall values. For tooth decay detection, ConvNeXtV2 blocks were integrated into the YOLOv8 architecture, and hyperparameter optimization was performed using a genetic algorithm. In studies conducted on a dataset consisting of 474 images, the optimized model achieved 62.6% [email protected] and 78.4% precision values; this provided an 8.7% increase in [email protected] compared to the basic YOLOv8. For dental infection detection, ECA, SGE, and SKConv attention mechanisms were integrated into the YOLOv10 architecture, and genetic algorithm optimization was applied. In experiments conducted with 422 panoramic images, the optimized model achieved 64.5% [email protected], 76.1% precision, and 61.8% recall, providing a 6.6% increase in [email protected] compared to the baseline YOLOv10. The findings reveal that the proposed architectural improvements, optimization techniques, and ensemble approaches provide significant performance gains compared to baseline models. This study contributes significantly to deep learning applications in dental imaging and demonstrates the potential of the developed systems to support dentists' diagnostic processes, enabling faster, more objective, and accurate diagnoses.

Benzer Tezler

  1. Tez No

    1020599

    Deep learning applications in oral and maxillofacial radiology

    Ağız, diş ve çene radyolojisinde derin öğrenme uygulamaları

    ELHAM TAHSIN YASIN YASIN

    Doktora

    İngilizce

    İngilizce

    2026

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSelçuk Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. MURAT KÖKLÜ

  2. Tez No

    1010045

    Diş görüntülerinde derin öğrenme ile otomatik anomali tespiti

    Anomaly detection on dental radiology images with deep learning

    MURAT CAN ŞENER

    Yüksek Lisans

    Türkçe

    Türkçe

    2026

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. HACER KARACAN

  3. Tez No

    707628

    Periodontal hastalıkların güncel sınıflamaya (2018) uygun tanısı için derin evrişimsel sinir ağı tabanlı bir karar sistemi tasarımı

    A deep convolutional neural network based decision system for the diagnosis of periodontal diseases according to the current clasification (2018)

    KÜBRA ERTAŞ

    Diş Hekimliği Uzmanlık

    Türkçe

    Türkçe

    2021

    Diş HekimliğiSüleyman Demirel Üniversitesi

    Periodontoloji Ana Bilim Dalı

    PROF. DR. ZUHAL YETKİN AY

  4. Tez No

    1010389

    Derin öğrenme teknikleri kullanılarak diş çürüğü tespiti ve numaralandırması

    Dental caries detection and numbering using deep learning techniques

    MELİKE IŞIK

    Yüksek Lisans

    Türkçe

    Türkçe

    2026

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSelçuk Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. ALİ YAŞAR

  5. Tez No

    831833

    Machine learning techniques for prediction of human age based on teeth x-ray images

    Diş röntgeni görüntülerine dayalı insan yaşının tahmini için makine öğrenmesi teknikleri

    ROOMA SATTAR

    Yüksek Lisans

    İngilizce

    İngilizce

    2022

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAntalya Bilim Üniversitesi

    Elektrik ve Bilgisayar Ana Bilim Dalı

    YRD. DOÇ. DR. SHAHRAM TAHERI

Geri Dön