Süt dişlerinde internal rezorpsiyonun derin öğrenme tabanlı yapay zekâ ile periapikal radyografilerde otomatik belirlenmesi
Automated detection of internal resorption in primary teeth on periapical radiographs using deep learning-based artificial intelligence
- Tez No: 1013773
- Danışmanlar: PROF. DR. MESUT ELBAY
- Tez Türü: Diş Hekimliği Uzmanlık
- Konular: Diş Hekimliği, Dentistry
- Anahtar Kelimeler: İnternal rezorpsiyon, süt dişleri, periapikal radyografi, yapay zekâ, derin öğrenme, YOLOv8, örnek segmentasyonu, Internal resorption, primary teeth, periapical radiography, artificial intelligence, deep learning, YOLOv8, instance segmentation
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Kocaeli Üniversitesi
- Enstitü: Diş Hekimliği Fakültesi
- Ana Bilim Dalı: Pedodonti Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Süt dişlerinde internal rezorpsiyonun (İR) erken dönemde teşhis edilmesi, patolojinin sıklıkla asemptomatik seyretmesi ve dental sert dokularda geri dönüşümsüz kayıplara yol açabilmesi nedeniyle çocuk diş hekimliğinde önem taşımaktadır. Bu çalışmanın amacı, süt dişlerindeki internal rezorpsiyon (İR) alanlarının periapikal radyografiler üzerinde YOLOv8s-seg derin öğrenme modeli kullanılarak otomatik olarak saptanması, lezyon sınırlarının piksel düzeyinde segmentasyonunun sağlanması ve geliştirilen modelin otomatik tespit ve segmentasyon performansının değerlendirilmesidir. Ayrıca geliştirilen modelin doğrulama ve bağımsız test setlerindeki performansı değerlendirilerek pedodonti alanında yardımcı bir klinik karar destek yaklaşımı olarak kullanılabilirliğinin araştırılması hedeflenmiştir. Bu retrospektif çalışmada, Kocaeli Üniversitesi Diş Hekimliği Fakültesi Pedodonti Anabilim Dalı arşivinden elde edilen periapikal radyografik görüntüler değerlendirilmiştir. Çalışmaya klinik ve radyografik değerlendirme sonucunda internal rezorpsiyon tanısı konulan 401 pozitif olgu ile internal rezorpsiyon bulgusu içermeyen 33 negatif/kontrol görüntü olmak üzere toplam 434 periapikal radyografik örnek dahil edilmiştir. İnternal rezorpsiyon bulunan görüntülerdeki lezyon alanları CVAT.ai yazılımı kullanılarak poligon yöntemiyle piksel düzeyinde etiketlenmiştir. Negatif/kontrol görüntülerde ise herhangi bir lezyon etiketi oluşturulmamış ve bu görüntüler boş etiket dosyaları aracılığıyla lezyon dışı alan/arka plan verisi olarak modele tanıtılmıştır. Veri seti %70 eğitim (n=304), %15 doğrulama (n=65) ve %15 bağımsız test (n=65) seti olacak şekilde üç alt gruba ayrılmıştır. Model eğitimi YOLOv8s-seg mimarisi kullanılarak gerçekleştirilmiş ve performans değerlendirmesinde mask mAP@0,5, mask mAP@0,5:0,95, box mAP@0,5, F1 skoru, precision-recall eğrileri ve karışıklık matrisi çıktıları kullanılmıştır. Elde edilen bulgulara göre, model doğrulama setinde en yüksek mask mAP@0,5 değerini 0,7257 ve mask mAP@0,5:0,95 değerini 0,3497 olarak göstermiştir. Bağımsız test setinde ise mask mAP@0,5 değeri 0,699, box mAP@0,5 değeri 0,707 ve maksimum mask F1 skoru 0,67 olarak elde edilmiştir. Normalize edilmiş karışıklık matrisi değerlendirmesinde modelin internal rezorpsiyon etiketlerini %75 oranında doğru pozitif olarak tespit ettiği, %25 oranında ise arka plan olarak değerlendirdiği belirlenmiştir. Bu sonuçlar, YOLOv8s-seg modelinin süt dişlerindeki internal rezorpsiyon alanlarını hem lokalizasyon hem de maske tabanlı segmentasyon düzeyinde belirli bir başarıyla öğrenebildiğini göstermektedir. Test setinde lezyon dışı alanlardan kaynaklanan 55 adet yanlış pozitif tahmin üretildiği görülmüştür. Niteliksel değerlendirmede, yanlış pozitif tahminlerin fizyolojik kök rezorpsiyonu, derin çürük alanları ve kök kanallarındaki radyoopak tedavi materyallerinin oluşturduğu radyografik benzerliklerden etkilenmiş olabileceği düşünülmektedir. Sonuç olarak, bu çalışmada geliştirilen YOLOv8s-seg tabanlı derin öğrenme modeli, süt dişlerinde internal rezorpsiyonun periapikal radyografiler üzerinde otomatik segmentasyonu için uygulanabilir ve özgün bir yaklaşım sunmaktadır. Bununla birlikte; yanlış pozitif ve yanlış negatif tahminlerin varlığı nedeniyle geliştirilen modelin mevcut haliyle tek başına kesin tanı koyan bağımsız bir sistem olarak değil, uzman klinisyen değerlendirmesini destekleyen yardımcı bir klinik karar destek aracı olarak değerlendirilmesi daha uygun olacaktır. Gelecekte daha geniş, çok merkezli ve heterojen veri setleriyle dış doğrulama yapılması, negatif/kontrol görüntü sayısının artırılması ve çoklu gözlemci ortak değerlendirmesiyle referans etiketlerin güçlendirilmesi önerilmektedir.
Özet (Çeviri)
Early diagnosis of internal resorption (IR) in primary teeth is of great importance in pediatric dentistry, as the pathology often progresses asymptomatically and may lead to irreversible loss of dental hard tissues. The aim of this study was to automatically detect IR areas in primary teeth on periapical radiographs using the YOLOv8s-seg deep learning model, to achieve pixel-level instance segmentation of lesion boundaries, and to evaluate the automated detection and segmentation performance of the developed model. In addition, the performance of the model on the validation and independent test sets was assessed to investigate its potential use as an auxiliary clinical decision-support tool in pediatric dentistry. In this retrospective study, periapical radiographic images obtained from the archive of the Department of Pediatric Dentistry, Faculty of Dentistry, Kocaeli University, were evaluated. A total of 434 periapical radiographic samples were included in the study, consisting of 401 positive cases diagnosed with internal resorption based on clinical and radiographic evaluation and 33 negative/control images without any signs of internal resorption. In images with internal resorption, lesion areas were labeled at the pixel level using the polygon method in CVAT.ai software. In negative/control images, no lesion labels were created, and these images were introduced to the model as non-lesion/background data through empty label files. The dataset was divided into three subsets: 70% training (n=304), 15% validation (n=65), and 15% independent test (n=65) sets. Model training was performed using the YOLOv8s-seg architecture, and performance evaluation was conducted using mask mAP@0.5, mask mAP@0.5:0.95, box mAP@0.5, F1 score, precision-recall curves, and confusion matrix outputs. According to the findings, the model achieved a maximum mask mAP@0.5 value of 0.7257 and a mask mAP@0.5:0.95 value of 0.3497 on the validation set. On the independent test set, the mask mAP@0.5 value was 0.699, the box mAP@0.5 value was 0.707, and the maximum mask F1 score was 0.67. Evaluation of the normalized confusion matrix showed that the model correctly detected 75% of internal resorption labels as true positives, while 25% were classified as background. These results indicate that the YOLOv8s-seg model was able to learn internal resorption areas in primary teeth with a certain level of success in terms of both localization and mask-based segmentation. In the test set, 55 false-positive predictions originating from non-lesion areas were observed. Qualitative evaluation suggested that these false-positive predictions may have been influenced by radiographic similarities caused by physiological resorption, deep carious areas, and radiopaque treatment materials within root canals. In conclusion, the YOLOv8s-seg-based deep learning model developed in this study offers a feasible and novel approach for the automated segmentation of internal resorption in primary teeth on periapical radiographs. However, due to the presence of false-positive and false-negative predictions, the developed model should not be considered an independent system capable of making a definitive diagnosis on its own in its current form. Instead, it would be more appropriate to evaluate it as an auxiliary clinical decision-support tool that supports expert clinician assessment. Future studies should include external validation using larger, multicenter, and heterogeneous datasets, increase the number of negative/control images, and strengthen reference labels through consensus evaluation by multiple observers.
Benzer Tezler
- Süt dişi vital pulpa amputasyonlarının başarısında %5'lik sodyum hipokloritin etkinliğinin in-vivo olarak araştırılması
The effect of %5 sodium hypochlorite application on the success of vital pulpotomy techniques in primary teeth: An in-vivo study
MERVE AKÇAY
- Süt dişlerinde uygulanan ferrik sülfat amputasyonunun klinik ve histopatolojik olarak incelenmesi
Clinical and histopatological evaluation of ferric sulfate pulpotomy in primary teeth
CENGİZ ÖZÇELİK
- Süt dişi vital pulpa amputasyonlarında internal rezorbsiyon komplikasyonunun değerlendirilmesi
Evaluation of internal resorption as a complication in vital primary pulpotomy
DENİZ SÖNMEZ
- Pedodonti kliniğinde yapılan süt dişi amputasyon ve kanal tedavilerinin prognozu
Prognosis of primary teeth pulpotomy and root canal treatments treated at the pedodontics clinic
AİSEL KAFETZİ CHOUSEİN
- Süt dişlerinin kök kanal tedavisinde Diod Lazer ışınlaması, PAD uygulaması, ozon uygulaması ve sodyum hipoklorit irrigasyonunun antibakteriyel etkinliklerinin in vitro koşullarda karşılaştırılmalı olarak incelenmesi ve klinik başarı düzeylerinin değerlendirilmesi
In primary teeth root canal treatment, comparison of the antibacterial efficacy of Diode Laser irradiation, PAD application, ozone application and sodium hypochlorite irrigation in in-vitro conditions and examination of clinical success rates
SERPİL NAZLI
