Dental radyografi görüntülerinde doku kaybının yapay zekâ kullanılarak tanımlanması
Identification of tissue loss in dental radiography images using artificial intelligence
- Tez No: 988987
- Danışmanlar: DOÇ. DR. DERYA AVCI
- Tez Türü: Yüksek Lisans
- Konular: Diş Hekimliği, Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Mühendislik Bilimleri, Dentistry, Computer Engineering and Computer Science and Control, Engineering Sciences
- Anahtar Kelimeler: Bilgisayar destekli mühendislik, Bilgisayar destekli teşhis, Görüntü işleme-bilgisayarlı, Radyografi-dental, Teşhis-bilgisayar-destekli, Computer aided engineering, Computer assisted diagnosis, Image processing-computer assisted, Radiography-dental, Diagnosis-computer-assisted
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Fırat Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Yazılım Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Klinik muayenelerde hasta tetkiklerinden teşhis ve tedavi planlaması yapmak yoğun zaman ve dikkat gerektiren bir süreçtir. Ülkemizdeki yüksek arz-talep ilişkisi dikkate alındığında bu ihtiyaca cevap verecek otomatik sistemlerin geliştirilmesi kaçınılmazdır. Son yıllarda gelişen Yapay Zekâ (YZ) teknolojileri sayesinde gerçek zamanlı teşhis mümkün hale gelmiş ve uzmanlar tarafından yoğun bir şekilde kullanılmaya başlanmıştır. Bu tez çalışmasında, diş hekimlerinin hastalık teşhisi için yaygın olarak yararlandığı görüntüleme tekniklerinden Panoramik Röntgen (PR) görüntüleri kullanılarak, diş tespiti ve sonrasında çürük sebebiyle diş yüzeyinde oluşan doku kaybının tespiti amacıyla uçtan uca bir YZ modeli geliştirilmiştir. Toplam 326 PR görüntüsü kullanılmıştır. Eğitim iki aşamadan oluşmaktadır. İlk aşamada PR görüntülerinden tekli diş tespiti için You Only Look Once (YOLO) modeli eğitilmiştir. İkinci aşamada görüntüler, içerdikleri çürük sayılarına göre katmanlı olarak eğitim, doğrulama ve test setlerine ayrılmış, uzmanlar tarafından işaretlenen tekli dişler çıkarılarak yeni veri seti oluşturulmuştur. Evrişimli Sinir Ağı (ESA) modelleri kullanılarak tekli diş görüntülerinin normal diş ve çürük diş şeklinde sınıflandırılması üzerine eğitim yapılmıştır. Eğitilen modeller arasında en başarılı ESA modelleri temel alınarak öznitelik çıkarımı yapılmıştır. Sonrasında bu öznitelikler birleştirilmiş, öznitelik seçimi algoritmaları kullanılarak en yüksek öneme sahip öznitelikler seçilmiş ve Makine Öğrenimi (MÖ) modelleri ile sınıflandırma eğitimi yapılmıştır. Eğitimler sonucunda en iyi başarımı gösteren ESA modellerinin ResNet34 ve ResNet101 modelleri olduğu görülmüştür. Bu modellerden alınan öznitelikler ile Özyinelemeli Öznitelik Eleme yöntemi kullanılarak yapılan seçim sonrasında, MÖ modelleri eğitiminde en başarılı modelin Rastgele Orman olduğu saptanmıştır. Sistem uçtan uca çalıştırılarak sonuçlar raporlanmış ve umut verici değerler ürettiği görülmüştür.
Özet (Çeviri)
In clinical examinations, deriving diagnoses and treatment plans from patient examinations is a process that requires intensive time and attention. Considering the high supply–demand relationship in our country, the development of automatic systems capable of addressing this need has become inevitable. In recent years, with the advancement of Artificial Intelligence (AI) technologies, real-time diagnosis has become possible and has begun to be widely used by specialists. In this thesis study, an end-to-end AI model was developed with the aim of tooth detection and subsequent detection of tissue loss occurring on the tooth surface due to caries, using Panoramic Radiograph (PR) images, which are among the imaging techniques commonly utilized by dentists for disease diagnosis. A total of 326 PR images were used. The training process consisted of two stages. In the first stage, a You Only Look Once (YOLO) model was trained for single-tooth detection from PR images. In the second stage, the images were stratified into training, validation, and test sets according to the number of caries they contained, and a new dataset was created by extracting single teeth annotated by experts. Using Convolutional Neural Network (CNN) models, training was performed to classify single-tooth images as healthy teeth or carious teeth. Feature extraction was carried out based on the most successful CNN models among those trained. Subsequently, these features were combined, the most significant features were selected using feature selection algorithms, and classification training was performed using Machine Learning (ML) models. Based on the training results, it was seen that the CNN models showing the best performance were ResNet34 and ResNet101 models. After the selection made using the Recursive Feature Elimination method with features taken from these models, it was determined that Random Forest was the most successful model in ML model training. The system was run end-to-end, results were reported, and it was seen that it produced promising values.
Benzer Tezler
- Romatoid artrit hastalarında mandibular kondil trabekülasyon değişikliklerinin konik ışınlı bilgisayarlı tomografi ve panoramik radyografi görüntüleri üzerinde fraktal analiz ile incelenmesi
Evaluation of mandibular condyle trabeculation changes in rheumatoid arthritis patients by fractal analysis on cone-beam computed tomography and panoramic radiography images
NEŞE İSPEKTER ÖNER
Diş Hekimliği Uzmanlık
Türkçe
2021
Diş HekimliğiErciyes ÜniversitesiAğız, Diş ve Çene Radyolojisi Ana Bilim Dalı
DOÇ. DR. EMİN MURAT CANGER
- Assessment of hard tıssue densıty around dental ımplants usıng conventıonal radıographs
Dental implantlar çevresindeki sert doku densitesinin konvensiyonel radyograflar ile incelenmesi
WAEL ALSHAIBANI
Doktora
İngilizce
2010
Diş HekimliğiGazi ÜniversitesiAğız, Diş ve Çene Cerrahisi Ana Bilim Dalı
PROF. DR. NUR MOLLAOĞLU
- Sabit implant üstü restorasyonlarda restorasyon çıkış açısı ve transmukozal dayanak yüksekliğinin marjinal kemik kaybına etkisi
Başlık çevirisi yok
MUHAMMET ÖZGÜR GÖKÇE
Diş Hekimliği Uzmanlık
Türkçe
2026
Diş HekimliğiTrakya ÜniversitesiPeriodontoloji Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ECE AÇIKGÖZ ALPARSLAN
- Batı Karadeniz Bölgesinde yaşayan hastalarda baş boyun bölgesindeki yumuşak doku kalsifikasyon ve ossifikasyonlarının retrospektif olarak radyografik ve ultrasonografik değerlendirilmesi
Retrospective radiographic and ultrasonographic evaluation of soft tissue calcifications and ossifications in the head and neck region of patients living in the western black sea region
ÇİĞDEM ŞEKER
Diş Hekimliği Uzmanlık
Türkçe
2020
Diş HekimliğiZonguldak Bülent Ecevit ÜniversitesiAğız, Diş ve Çene Radyolojisi Ana Bilim Dalı
DR. ÖĞR. ÜYESİ GEDİZ GEDUK
- Sinüs yükseltme operasyonuna alternatif uygulanan kısa implantların klinik ve radyografik değerlendirilmesi
Clinical and radiographic evaluation of short implants ?an alternative approach for sinus lifting
VELİ ÖZGEN ÖZTÜRK
Doktora
Türkçe
2013
Diş HekimliğiEge ÜniversitesiPeriodontoloji Ana Bilim Dalı
PROF. DR. GÜLNUR EMİNGİL
PROF. DR. OĞUZ DİCLE