Panoramik diş radyografilerinde dikkat mekanizması tabanlı derin öğrenme modeli ile dişlerin tespiti, segmentasyonu ve eksik dişlerin belirlenmesi
Detection, segmentation and identification of missing teeth in panoramic dental radiographs using attention mechanism-based deep learning model
- Tez No: 986589
- Danışmanlar: PROF. DR. ABDULKADİR ŞENGÜR, DOÇ. DR. HÜSEYİN ÜZEN
- Tez Türü: Doktora
- Konular: Elektrik ve Elektronik Mühendisliği, Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Diş Hekimliği, Electrical and Electronics Engineering, Computer Engineering and Computer Science and Control, Dentistry
- Anahtar Kelimeler: Derin öğrenme, Radyografi-panoramik, Sayısal görüntü işleme, Deep learning, Radiography-panoramic, Digital image processing
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Fırat Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Teknolojileri Ana Bilim Dalı
- Bilim Dalı: Telekomünikasyon Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Diş hastalıklarının yaygınlığı ve erken teşhisin klinik önemi, panoramik diş radyografilerinin tanı ve tedavi planlamasında etkin biçimde kullanılmasını gerekli kılmaktadır. Bu tez, panoramik radyografilerden dişlerin otomatik analiziyle klinik değerlendirme sürecini hızlandırmayı ve yorumlama kaynaklı hataları azaltmayı amaçlamaktadır. Tezin hipotezi, derin öğrenme tabanlı çok aşamalı bir yaklaşımın; diş sınıflandırma, diş tespiti-numaralandırma ve diş segmentasyonu görevlerinde yüksek doğruluk ve genellenebilirlik sağlayabileceğidir. Çalışmanın örneklemini 468 panoramik radyografi görüntüsü oluşturmakta; ayrıca bu görüntülerden sınır kutusu ile kırpılarak 32 sınıfta toplam 14.976 diş görüntüsü elde edilmektedir. Yöntemde, sınıflandırma için transfer öğrenme tabanlı modeller karşılaştırılmış, tespit ve numaralandırma için Faster R-CNN temelli DentifyNet geliştirilmiş, bireysel diş segmentasyonu için dikkat mekanizmalı SE-IB-ED mimarisi önerilmiştir. Bulgular, sınıflandırmada en iyi doğruluğun DenseNet121 (%78,77) ve VGG16 (%78,69) ile elde edildiğini; DentifyNet'in %97,52 precision, %97,49 recall, %97,51 F1 ve %86,42 IoU değerleri sunduğunu; SE-IB-ED modelinin ise F1 92,66, mIoU 86,39, precision 92,84, recall 92,49 ve accuracy 99,93 performansına ulaştığını göstermektedir. Sonuç olarak tez, panoramik radyografilerden otomatik diş analizi için yüksek performanslı modeller geliştirerek klinik karar destek süreçlerine katkı sağlayabilecek bir yöntemler bütünü ortaya koymaktadır.
Özet (Çeviri)
Dental diseases are highly prevalent, and early diagnosis is clinically critical; therefore, panoramic dental radiographs play a key role in diagnosis and treatment planning. This thesis aims to accelerate clinical assessment and reduce interpretation-related errors by enabling automatic tooth analysis from panoramic radiographs. The thesis hypothesizes that a deep learning–based multi-stage approach can provide high accuracy and generalizability for tooth classification, tooth detection-numbering, and tooth segmentation tasks. The sample consists of 468 panoramic radiographs; additionally, 14,976 tooth images are obtained by bounding box cropping and organized into 32 classes. In the methodology, transfer learning models are compared for classification, a Faster R-CNN–based DentifyNet is developed for detection and numbering, and an attention-based SE-IB-ED architecture is proposed for individual tooth segmentation. The findings show that the best classification accuracies are achieved by DenseNet121 (78.77%) and VGG16 (78.69%); DentifyNet attains 97.52% precision, 97.49% recall, 97.51% F1-score, and 86.42% IoU; and SE-IB-ED reaches F1-score 92.66, mIoU 86.39, precision 92.84, recall 92.49, and accuracy 99.93. Overall, the thesis presents a set of high-performance methods for automatic tooth analysis from panoramic radiographs with potential contributions to clinical decision support.
Benzer Tezler
- 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
DENİZ BORA KÜÇÜK
Yüksek Lisans
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSamsun ÜniversitesiYazılım Mühendisliği Ana Bilim Dalı
DOÇ. DR. MUAMMER TÜRKOĞLU
- Diş yapısının ve özelliklerinin belirlenmesinde panoramik radyografi görüntülerinin yapay öğrenme yöntemleri ile analizi
Analysis of panoramic radiography images with artificial learning methods in determination of teeth structure and features
AHMET KARAOĞLU
Doktora
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKarabük ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. CANER ÖZCAN
- Derin öğrenme yöntemine dayalı yapay zekâ algoritmalarıyla panoramik radyografilerde incelenen sabit protetik restorasyonlar altında oluşan çürüklerin tespiti
Detection of caries formed under fixed prosthetic restorations examined on panoramic radiographs with artificial intelligence algorithms based on DEEP learning method
BETÜL AYHAN
Diş Hekimliği Uzmanlık
Türkçe
2023
Diş HekimliğiKırıkkale ÜniversitesiProtetik Diş Tedavisi Ana Bilim Dalı
PROF. DR. SAADET SAĞLAM ATSÜ
- Derin öğrenme yöntemi kullanılarak geliştirilen yapay zeka uygulamaları aracılığıyla diagnostik doğruluğun tespiti
Determination of diagnostic accuracy through artificial intelligence applications developed using deep learning method
KADER BİÇENGİL
Diş Hekimliği Uzmanlık
Türkçe
2025
Diş HekimliğiRecep Tayyip Erdoğan ÜniversitesiÇocuk Diş Hekimliği Ana Bilim Dalı
DOÇ. DR. DOÇ.DR.AYÇA KURT
- Postmenopozal osteoporoz hastalarında bifosfonatların mandibular radyomorfometrik indekslere ve kemik yoğunluğuna etkisi
The effect of bisphosphonates on mandibular radiomorphometric indeces and bone density in post-menopausal osteoporosis patients
SİNAN ATEŞ
Diş Hekimliği Uzmanlık
Türkçe
2018
Diş HekimliğiDicle ÜniversitesiAğız, Diş ve Çene Cerrahisi Ana Bilim Dalı
PROF. DR. BELGİN GÜLSÜN