Geri Dön

Otomatik diş dolgu tespitinde derin öğrenme algoritmalarının performanslarının karşılaştırılması

The comparison of deep learning algorithms' performances in detection of automated dental filling

PDF İndir

  1. Tez No: 796800
  2. Yazar: GÖKTUĞ BACANLI
  3. Danışmanlar: DR. ÖĞR. ÜYESİ MAHMUT EMİN ÇELİK
  4. Tez Türü: Yüksek Lisans
  5. Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2023
  8. Dil: Türkçe
  9. Üniversite: Gazi Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Elektrik Elektronik Bilim Dalı
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Diş çürükleri günümüz dünyasında en çok görülen diş rahatsızlıklarındandır. Enfeksiyon nedeniyle meydana gelen ağrı ile kendini belli etmeden önce dental radyografiler sayesinde diş çürüklerinin tespiti yapılabilmektedir. Diş çürüğü tedavisinde farklı tedavi yöntemleri kullanılabilir ve bu yöntemlerden en yaygını dolgudur. Bu tezde, periapikal radyografiler üzerinde diş dolgularını derin öğrenme metotlarıyla otomatik olarak tespit eden hekimlere yardımcı bir karar destek sistemi sunulmuştur. Karar tespit sistemini oluşturmak için tek kademeli YOLOv3, SSD ve RetinaNet modelleri ve iki kademeli Faster R-CNN modeli kullanılmıştır. Özellik çıkarıcı olarak ResNet50, ResNet101, DarkNet-53 ve VGG16 evrişimsel sinir ağları kullanılmıştır. Model performansları doğruluk, kesinlik, duyarlılık, mAP ve F1-skor performans metrikleri ile değerlendirilmiştir. Ayrıca bütün modellerin eğitim süreleri de değerlendirilmiştir. Tüm metrikler incelendiğinde, Faster R-CNN ResNet101 modelinden 0.92 mAP, 0.87 doğruluk, 0.9 kesinlik, 0.92 duyarlılık ve 0.93 F1-Skor performans metrikleri elde edilmiştir. Buna ek olarak, YOLOv3 modelinde ise 0.99 mAP, 0.8 doğruluk, 0.8 kesinlik, 1 duyarlılık ve 0.89 F1-Skor performans metrikleri elde edilmiştir. Bu metrik incelemelerinin sonucunda ise, bu iki modelin en iyi sonuçları verdiği gözlenmiştir. Fazla katmana sahip Faster R-CNN modelinin tek kademeli modellere göre eğitim süresinin daha uzun sürdüğü gözlemlenmiştir. Bu bulgular, diğer alanlarda uzmanlara yardımcı karar destek sistemleri oluşturulduğu gibi diş hekimliği alanında da diş hekimlerine yardımcı bu tür sistemler geliştirilebileceğini göstermektedir.

Özet (Çeviri)

Tooth decay is one of the most common dental diseases worldwide. Dental caries can be detected by dental radiographs before they appear with pain caused by infection. Different treatment methods can be used in the treatment of dental caries, and the most common of these methods is filling. In this thesis study, a decision support system is presented to dentist that automatically detects dental fillings on periapical radiographs with deep learning methods. Single-stage YOLOv3, SSD and RetinaNet models and two-stage Faster R-CNN model were used to create the decision detection system. ResNet50, ResNet101, DarkNet-53 and VGG16 convolutional neural networks were used as feature extractors. Model performances were evaluated with accuracy, precision, recall, mAP and F1-score performance metrics. Plus, the training times of all models were also evaluated. When all metrics were analyzed, 0.92 mAP, 0.87 accuracy, 0.9 precision, 0.92 recall, and 0.93 F1-Score performance metrics were obtained from the Faster R-CNN ResNet101 model. In addition to this model, 0.99 mAP, 0.8 accuracy, 0.8 precision, 1 recall, and 0.89 F1-Score performance metrics were obtained in the YOLOv3 model. As a result of these metric examinations, it was observed that these two models indicated the best results.These findings show that such systems can be developed to assist dentists in the field of dentistry as well as creating decision support systems to assist experts in other fields.

Geri Dön