Diş radyografilerinde derin öğrenme yöntemleri ile diş çürüğü tanısı ve sınıflandırılması
Diagnosis and classification of dental caries with deep learning methods in dental radiography
- Tez No: 961338
- Danışmanlar: PROF. DR. MURAT ARI
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Çankırı Karatekin Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Yapay zeka ve derin öğrenmedeki hızlı gelişmeler, diğer alanlarda olduğu gibi sağlık alanında da özellikle hastalıkların erken teşhisi ve tespiti için ilgi çekmiştir. Bu araştırma, radyolojik görüntülerde diş çürüklerinin kategorilendirilmesi için Geleneksel Sinir Ağları'nın (CNN) kullanımını incelemektedir. 1554 RGB görüntüden oluşan bir veri seti, F1 puanı, doğruluk, kesinlik ve geri çağırma açısından sınıflandırma performansını değerlendirmek için CNN, VGG19, Inception, ResNet ve Destek Vektör Makinesi (SVM) dahil olmak üzere bir dizi modeli eğitmek ve değerlendirmek için kullanılmıştır. Inception, %1,00'lık mükemmel geri çağırma ve %97,83'lük doğrulukla diğer modelleri geride bıraktı. SVM, %97,4 ile ikinci sırada yer aldı. VGG19 ve ResNet, sırasıyla %86,79 ve %88,32'lik doğruluklarla geleneksel CNN'den daha iyi performans gösterdi. CNN'in %82,03'lük doğruluğu en düşüktü. Yeniden örnekleme yaklaşımları, veri kümesi dengesizliği gibi sorunların üstesinden gelmeye yardımcı oldu ve veri artırma, modelin genelleştirilmesini geliştirdi. Çalışmaya göre, ResNet ve VGG19 gibi daha derin mimariler daha fazla işlem gücü gerektirirken, Inception ve SVM modelleri diş çürüklerini sınıflandırmak için en uygun olanlardır. Bulgular, model performansını iyileştirmenin veri artırma tekniklerini kullanmayı ve veri kümesi dengesini korumayı gerektirdiğini göstermektedir.
Özet (Çeviri)
Rapid developments in artificial intelligence and deep learning have attracted attention in the field of health, as in other fields, especially for the early detection and diagnosis of diseases. This research examines the use of Conventional.Neural. Networks..(CNN) for the categorization of dental caries in radiological images. A dataset of 1554 RGB images was used to train and assess a number of models, including CNN, VGG19, Inception, ResNet, and Support Vector Machine..(SVM), to assess classification performance in terms of F1-score,. Doğruluk,.Kesinlik and Duyarlılık. Inception outperformed the other models with a perfect Duyarlılık of 1.00% and an Doğruluk of 97.83%. SVM came in second with 97.4%. VGG19 and ResNet both performed better than the conventional CNN, with accuracies of 86.79% and 88.32%, respectively. CNN's Doğruluk of 82.03% was the lowest. Resampling approaches helped overcome issues like dataset imbalance, and data augmentation enhanced the generalization of the model. According to the study, deeper architectures like ResNet and VGG19 demand more processing power, whereas Inception and SVM models are most suited for classifying dental caries. The findings indicate that improving model performance requires using data augmentation techniques and preserving dataset balance.
Benzer Tezler
- Bazı sert çekirdekli meyve türlerinde döllenme biyolojisi üzerinde yöntem çalışmaları
Başlık çevirisi yok
ATBİMOĞLU ADALET
- Kam yapma aparatı
Cam milling attachment
ORHAN UZUN
Yüksek Lisans
Türkçe
1986
Makine MühendisliğiGazi ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
DOÇ. DR. FEVZİ ERCAN
- Sivas'ta kadınların işgücüne katılım farklılıkları
Başlık çevirisi yok
BİNNUR ERCEM
Yüksek Lisans
Türkçe
1984
SosyolojiCumhuriyet ÜniversitesiKurumlar Sosyolojisi Ana Bilim Dalı
YRD. DOÇ. DR. FARUK KOCACIK
- Samsun ve çevresinde tarla sarmaşığı (conuolvulus arvensis L.)'na karşı biyolojik savaşa esas olacak fauna tespiti
Investigations on the insect fauna of the field binweed (Conuolvulus arvensis L.) related to its biological control in Samsun Province
YASEMİN UFUK GERMAN