Diş sağlığı analizi için derin öğrenme yöntemlerin değerlendirilmesi
Evaluation of deep learning methods for dental health analysis
- Tez No: 911096
- Danışmanlar: DOÇ. DR. ŞAHİN IŞIK
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Derin öğrenme, Diş çürükleri, Deep learning, Dental caries
- Yıl: 2024
- Dil: Türkçe
- Üniversite: Eskişehir Osmangazi Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Diş çürüğü, dünya genelinde en yaygın görülen ağız ve diş sağlığı problemlerinden biri olarak, bireylerin yaşam kalitesini olumsuz etkileyen önemli bir halk sağlığı sorunudur. Çürüklerin erken teşhisi ve doğru bir şekilde sınıflandırılması, etkili tedavi planlaması ve komplikasyonların önlenmesi açısından kritik bir öneme sahiptir. Bununla birlikte, geleneksel yöntemlerle gerçekleştirilen teşhis süreçleri, özellikle büyük ölçekli veri setlerinde hata oranlarının artmasına ve zaman kayıplarına yol açabilmektedir. Son yıllarda yapay zekâ ve derin öğrenme tabanlı yöntemlerin sağlık alanında kullanımı, bu alandaki sınırlamaların aşılmasında önemli bir potansiyel sunmaktadır. Özellikle periapikal X-ışını görüntülerine dayalı yöntemler, diş çürüklerinin doğru ve otomatik sınıflandırılmasında önemli bir katkı sağlamaktadır. Bu çalışma, diş çürüğünün sınıflandırılması için derin öğrenme modellerinin kullanımını araştırmakta ve periapikal X-ışını görüntülerine dayalı dört farklı modelin performansını değerlendirmektedir. EfficientNet-B0, SeresNext50_32x4d, ResNet18 ve ConvNextv2 modelleri kullanılarak, diş çürükleri“hafif”ve“şiddetli”olmak üzere iki sınıfta sınıflandırılmıştır. Çalışmada, iki farklı yaklaşım uygulanmaktadır: Birinci yaklaşımda (Üst katman), giriş verilerinden özellik çıkarımı yapıldıktan sonra morfolojik işlemler uygulanmış ve ardından önceden eğitilmiş modellerin sınıflandırma katmanını kullanılarak işlem tamamlanmaktadır. Bu yöntem, özelliği daha yüksek düzeyde soyutlayarak işlem sonrası sınıflandırma için avantaj sağlamayı hedeflemektedir. İkinci yaklaşım ise (İlk katman), giriş verilerine morfolojik işlemler özellik çıkarımından önce uygulanmış ardından özellik çıkarımı gerçekleştirilmiş ve önceden eğitilmiş modellerin sınıflandırma katmanını kullanılarak işlem tamamlanmaktadır. Bu yöntem, morfolojik işlemlerin giriş verisinde daha belirgin değişiklikler oluşturmasını sağlayarak özellik çıkarımını kolaylaştırmayı amaçlamaktadır. Bu yaklaşımlar kapsamında, 477 periapikal X-ışını görüntüsünden oluşan veri seti kullanılmış, veri ön işleme aşamasında görüntü artırma teknikleri ve morfolojik işlemleri uygulanmıştır. Modellerin doğruluk oranları sırasıyla şu şekilde elde edilmiştir: EfficientNet-B0 %92,78, SeresNext50_32x4d %90,72, ResNet18 %86,60 ve ConvNextv2 %73,20. Bu sonuçlar, özellikle EfficientNet-B0 modelinin diş çürüğünün teşhisinde yüksek bir başarı sağladığının bir göstergesidir.
Özet (Çeviri)
Dental caries is one of the most prevalent oral and dental health problems worldwide, posing a significant public health issue that negatively impacts an individual's quality of life. Early diagnosis and accurate caries classification are critical for effective treatment planning and prevention of complications. However, traditional diagnostic methods often increase errors and inefficiencies, particularly when handling large-scale datasets. In recent years, the application of artificial intelligence and deep learning-based methods in healthcare has demonstrated substantial potential in addressing these challenges. Specifically, methods based on periapical X-ray images have shown promise for the accurate and automated classification of dental caries. This study investigates the use of deep learning models for dental caries classification and evaluates the performance of four different models using periapical X-ray images: EfficientNet-B0, SeresNext50_32x4d, ResNet18, and ConvNextv2. The classification task involves categorizing dental caries into two groups:“mild”and“severe.”Two distinct approaches were implemented in this study: In the first approach (Top Layer), morphological operations were applied after extracting features from the input data. The classification was then performed using the top layers of pre-trained models. This method aims to leverage high-level feature abstraction to enhance the accuracy of the classification process. In the second approach (First Layer), morphological operations were applied to the input data before feature extraction. The features were then extracted, followed by classification using pre-trained models. This approach is intended to optimize the input data through morphological operations, facilitating more effective feature extraction. The dataset used in this study consists of 477 periapical X-ray images. During the preprocessing stage, image augmentation and morphological operations were employed. The accuracy rates of the models are as follows: EfficientNet-B0 (92.78%), SeresNext50_32x4d (90.72%), ResNet18 (86.60%), and ConvNextv2 (73.20%). These results highlight the superior performance of the EfficientNet-B0 model in the classification of dental caries.
Benzer Tezler
- 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
- Deep learning applications in oral and maxillofacial radiology
Ağız, diş ve çene radyolojisinde derin öğrenme uygulamaları
ELHAM TAHSIN YASIN YASIN
Doktora
İngilizce
2026
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSelçuk ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. MURAT KÖKLÜ
- Veri füzyonu ve derin öğrenme yöntemi kullanılarak yapısal sağlık izleme sistemi geliştirilmesi
Development of structural health monitoring system using data fusion and deep learning method
SONGÜL DEMİRTAŞ
Yüksek Lisans
Türkçe
2024
Elektrik ve Elektronik MühendisliğiAkdeniz ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. ÖVÜNÇ POLAT
- Diş röntgen görüntülerinde hastalık ve materyal tespiti için makine öğrenmesine dayalı yaklaşımlar
Machine learning-based approaches for disease and material detection in dental x-ray images
ANDAÇ İMAK
Doktora
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFırat ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. ABDULKADİR ŞENGÜR
- Prediction of COVID 19 disease using chest X-ray images based on deep learning
Derin öğrenmeye dayalı göğüs röntgen görüntüleri kullanarak COVID 19 hastalığının tahmini
ISMAEL ABDULLAH MOHAMMED AL-RAWE
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ADEM TEKEREK