Cnn-radyomik füzyon ve açıklanabilir birleşik modelleme kullanarak diş radyografilerinde çok modelli kök lezyonlarının sınıflandırılması
Multi-modal lesion classification in dental radiographs using Cnn–radiomics fusion with explainable ensemble learning
- Tez No: 994664
- Danışmanlar: DR. ÖĞR. ÜYESİ ZUHAL CAN
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Eskişehir Osmangazi Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Donanımı Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Periapikal radyografi, diş kökü lezyonlarının tespitinde temel bir görüntüleme yöntemi olsa da, yorum farklılıkları ve küçük patolojilerin gözden kaçabilmesi tanısal doğruluğu sınırlamaktadır. Bu çalışmada, konvolüsyonel sinir ağlarından (CNN) elde edilen derin öznitelikler ile yalnızca Grad-CAM haritalarının belirlediği lezyon bölgelerinden çıkarılan radyomik özniteliklerin bütünleştirildiği, açıklanabilir ve çok modlu bir yapay zekâ çerçevesi geliştirilmiştir. Toplam 2.285 periapikal radyografi, EfficientNet- B1/B4/V2M/V2S, ResNet-50 ve Xception olmak üzere altı CNN mimarisiyle işlenmiş; elde edilen derin öznitelikler, Grad-CAM tabanlı maske içerisinden hesaplanan ilk-düzey, GLCM, GLRLM, GLDM, NGTDM ve şekil tabanlı radyomik özniteliklerle birleştirilmiştir. Birleşik öznitelik vektörleri PCA veya SelectKBest ile boyut indirgeme sonrası RF ve XGBoost sınıflandırıcılarıyla eğitilmiş, beş görünümlü Test-Time Augmentation (TTA) ile çıkarım kararlılığı artırılmıştır. Tek başına konvolüsyonel sinir ağları (CNN) %52 doğruluk ve ~0,60 AUC elde ederken, füzyon yaklaşımı bu oranları anlamlı biçimde yükseltmiştir. En yüksek performans, Xception ve EfficientNet-V2S füzyon vektörlerinin XGBoost ile sınıflandırıldığı ve TTA uygulanan modelde %97,16 doğruluk ve 0,9914 AUC ile elde edilmiş; yanlış pozitif ve negatif oranları sırasıyla %4,6 ve %0,9 olmuştur. Grad-CAM ısı haritaları modelin dikkati klinik açıdan anlamlı periapikal bölgelere odakladığını, SHAP analizleri ise radyomik doku heterojenliği ile yüksek seviyeli CNN özniteliklerinin birlikte karar sürecine katkı sağladığını ortaya koymuştur. Önerilen yöntem, yüksek doğruluk, dengeli hata oranları ve çift katmanlı açıklanabilirlik (Grad-CAM + SHAP) ile klinik güvenilirliği artırma potansiyeline sahiptir.
Özet (Çeviri)
Periapical radiography is a fundamental imaging method for detecting root lesions; however, interpretation variability and the possibility of missing small pathologies limit diagnostic accuracy. In this study, we developed an explainable, multimodal AI framework that integrates deep features extracted from convolutional neural networks (CNNs) with radiomic features computed solely from lesion regions identified by Grad-CAM maps. A total of 2,285 periapical radiographs were processed using six CNN architectures, including EfficientNet-B1/B4/V2M/V2S, ResNet-50, and Xception. The deep embeddings obtained from these networks were combined with first-order, GLCM, GLRLM, GLDM, NGTDM, and shape-based radiomic descriptors calculated within the Grad-CAM mask. The combined feature vectors were reduced in dimensionality using PCA or SelectKBest and then classified with Random Forest and XGBoost algorithms, with five-view Test-Time Augmentation (TTA) applied at inference to improve prediction stability. While standalone CNNs achieved around 52% accuracy and ~0.60 AUC, the fusion approach significantly increased these metrics. The highest performance was achieved by classifying Xception and EfficientNet- V2S fusion vectors with XGBoost under TTA, reaching 97.16% accuracy and 0.9914 AUC, with false-positive and false-negative rates of 4.6% and 0.9%, respectively. Grad-CAM heatmaps confirmed that the model's attention was focused on clinically relevant periapical regions, while SHAP analyses revealed that radiomic texture heterogeneity and high-level CNN features jointly contributed to the decision-making process. The proposed method demonstrates high accuracy, balanced error rates, and dual-layer explainability (Grad-CAM + SHAP), offering strong potential for enhancing clinical reliability.
Benzer Tezler
- Kardiyomiyopati hastalığının kardiyak manyetik rezonans görüntüleme verileri kullanılarak füzyon tabanlı yapay zekâ yaklaşımı ile sınıflandırılması
Classification of cardiomyopathy using fusion-based artificial intelligence approach with cardiac magnetic resonance imaging data
YELİZ ALPER
Yüksek Lisans
Türkçe
2026
Mühendislik BilimleriZonguldak Bülent Ecevit ÜniversitesiBiyomedikal Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ CEREN KAYA
- Kontrastlı mamografi görüntülerindeki benign ve malign meme kitlelerinin radyomik öznitelikler kullanılarak derin öğrenme ile sınıflandırılması
Classification of benign and malignant breast masses in contrast-enhanced mammographic images using radiomic features and deep learning
MEHMET EMİN KOBYA
Yüksek Lisans
Türkçe
2025
Elektrik ve Elektronik MühendisliğiKaradeniz Teknik ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. TEMEL KAYIKÇIOĞLU
- Analysis of breast cancer classification robustness with radiomics feature extraction and deep learning techniques
Radyomik özellik ekstraksiyonu ve derin öğrenme teknikleri ile meme kanseri sınıflandırma sağlamlığının analizi
HARUN UR RASHID
Yüksek Lisans
İngilizce
2021
Elektrik ve Elektronik MühendisliğiÇukurova ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. ULUS ÇEVİK
- Beyin tümörü teşhisinde kullanılan yapay zeka yöntemlerinin araştırılması ve karşılaştırılması
Investigation and comparison of artificial intelligence methods used in brain tumor diagnosis
GİZEM AKGÖNÜL
Yüksek Lisans
Türkçe
2024
Biyomühendislikİstanbul Yeni Yüzyıl ÜniversitesiBiyomedikal Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ DİYADİN CAN
- Meme kanseri tanısında yapay zeka uygulamaları üzerine yapılan araştırmaların bibliyometrik analizi
Bibliometric analysis of research on artificial intelligence applications in breast cancer diagnosis
BENGÜNUR EKİNCİ
Yüksek Lisans
Türkçe
2025
BiyoistatistikGazi ÜniversitesiSağlık Bilişimi Ana Bilim Dalı
PROF. DR. HAKAN TEKEDERE