Derin öğrenme tabanlı yapay zekâ algoritması aracılığıyla diş gelişim aşamalarının iki farklı yöntemle değerlendirilmesi
Assessment of dental development stages through two different methods utilizing a deep learning-based artificial intelligence approach
- Tez No: 989166
- Danışmanlar: DOÇ. DR. AYÇA KURT
- Tez Türü: Diş Hekimliği Uzmanlık
- Konular: Diş Hekimliği, Dentistry
- Anahtar Kelimeler: Çocuk Diş Hekimliği, Derin Öğrenme, Diş Gelişim Evreleri, Yapay Zekâ, YOLOv8x, Artificial Intelligence, Deep Learning, Tooth Development Stages, Pediatric Dentistry, YOLOv8x
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Recep Tayyip Erdoğan Üniversitesi
- Enstitü: Diş Hekimliği Fakültesi
- Ana Bilim Dalı: Çocuk Diş Hekimliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Amaç: Bu çalışmanın amacı, derin öğrenme tabanlı bir yapay zekâ modelinin panoramik radyografilerde Demirjian ve Nolla yöntemlerine göre diş gelişim evrelerini belirleme performansını değerlendirmek ve model çıktılarını uzman ve araştırma görevlisi değerlendirmeleriyle doğruluk ve güvenilirlik açısından karşılaştırmaktır. Gereç ve Yöntem: Retrospektif tanımlayıcı tasarıma sahip bu çalışmada, 5–14 yaş aralığındaki çocuklara ait 1365 panoramik radyografi incelenmiştir. Mandibular sol daimî dişler, Demirjian ve Nolla yöntemlerine göre manuel olarak etiketlenmiş; etiketli veriler, YOLOv8x tabanlı CranioCatch yazılımı ile eğitilen yapay zekâ modeline öğretilmiştir. Modelin segmentasyon, nesne tespiti ve sınıflandırma performansı, bağımsız bir test veri seti üzerinde değerlendirilmiştir. Sınıflandırma çıktıları, uzmanlarca oluşturulan“altın standart”ve araştırma görevlisi etiketlemeleriyle karşılaştırılarak gözlemciler arası uyum analiz edilmiştir. Bulgular: Geliştirilen yapay zekâ modeli, segmentasyon görevinde yüksek yapısal benzerlik sunarak başarılı bir performans sergilemiş; ancak gelişim evresi sınıflandırmasında sınırlı doğruluk göstermiştir (F1 skoru ~ 0,278; genel doğruluk oranı ~ %16). Özellikle sınıf dengesizlikleri ve evreler arası morfolojik benzerliklerin, sınıflandırma doğruluğu üzerinde olumsuz etkiler yarattığı gözlemlenmiştir. Modelin sınıflandırma çıktıları, araştırma görevlisi etiketlemeleriyle görece daha yüksek düzeyde uyum gösterirken, uzman gözlemciler ile karşılaştırıldığında belirgin düzeyde tutarsızlık saptanmıştır. Sonuç: Geliştirilen yapay zekâ modelinin diş gelişim aşamalarının tespitinde yardımcı bir karar destek aracı olarak potansiyel taşıdığı; ancak sınıflandırma doğruluğunun artırılabilmesi için uzman etiketlemesiyle oluşturulmuş dengeli ve geniş veri setlerine, çok aşamalı mimarilere ve görev ayrıştırmasına dayalı stratejilere ihtiyaç duyulduğu belirlenmiştir.
Özet (Çeviri)
Aim: This study aimed to evaluate the performance of a deep learning-based artificial intelligence (AI) model in determining dental development stages on panoramic radiographs using the Demirjian and Nolla methods. Additionally, it sought to compare the model's outputs with manual assessments performed by an expert and a postgraduate researcher in terms of accuracy and reliability. Materials and Methods: In this retrospective descriptive study, 1,365 panoramic radiographs of children aged 5–14 years were analyzed. Mandibular left permanent teeth were manually annotated according to the Demirjian and Nolla methods. These labeled data were used to train an AI model developed using the YOLOv8x-based CranioCatch software. The model's performance in segmentation, object detection, and classification tasks was evaluated using an independent test dataset. Classification outputs were compared with“gold standard”expert annotations and those of a postgraduate researcher to assess inter-observer agreement. Results: The developed AI model demonstrated high structural similarity and successful performance in the segmentation task; however, it showed limited accuracy in stage classification (F1 score ~ 0.278; overall accuracy ~ 16%). Class imbalance and morphological similarities between developmental stages were found to negatively impact classification performance. While the model's classifications were more consistent with those of the postgraduate researcher, substantial discrepancies were observed when compared to expert annotations. Conclusion: The findings suggest that the developed AI model holds potential as a supportive decision-making tool in determining dental development stages. However, enhancing classification accuracy requires balanced and expert-labeled datasets, multistage architectures, and task-specific strategies.
Benzer Tezler
- Periodontal hastalıkların güncel sınıflamaya (2018) uygun tanısı için derin evrişimsel sinir ağı tabanlı bir karar sistemi tasarımı
A deep convolutional neural network based decision system for the diagnosis of periodontal diseases according to the current clasification (2018)
KÜBRA ERTAŞ
Diş Hekimliği Uzmanlık
Türkçe
2021
Diş HekimliğiSüleyman Demirel ÜniversitesiPeriodontoloji Ana Bilim Dalı
PROF. DR. ZUHAL YETKİN AY
- Generating a high-definition map (HD MAP) via yolo (you only look once) deep learning-based object detection model
Yolo (you only look once) derin öğrenme tabanli nesne tespit modeli ile yüksek tanimli hari̇ta (HD MAP) oluşturma
YASİN MEMİ
Yüksek Lisans
İngilizce
2025
Mühendislik Bilimleriİstanbul Teknik ÜniversitesiGeomatik Mühendisliği Ana Bilim Dalı
PROF. DR. HANDE DEMİREL
- Ortodontik cephe fotoğrafları üzerinden derin öğrenme yöntemiyle geliştirilmiş yapay zeka algoritmalarıyla üst dental orta hat sapmasının değerlendirilmesi
Evaluation of maxillary dental midline deviation using deep learning–based artificial intelligence algorithms on orthodontic frontal photographs
SERCAN TAŞKIN
Diş Hekimliği Uzmanlık
Türkçe
2025
Diş HekimliğiAydın Adnan Menderes ÜniversitesiOrtodonti Ana Bilim Dalı
PROF. DR. MİNE GEÇGELEN CESUR
- İşitme kaybı türü ve işitme kaybı derecesi belirlenmesinde iki metot karşılaştırılması: Yapay sinir ağları ve koşullu yapılarla kodlanan mobil uygulama
Comparison of TWO methods in determining the type of hearing loss and the grade of hearing loss: mobile application coded with artificial neural networks and conditional structures
AHMET YASİN DİŞÇİ
Yüksek Lisans
Türkçe
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Aydın ÜniversitesiOdyoloji Ana Bilim Dalı
PROF. BAHRİYE ÖZLEM KONUKSEVEN
- 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