Derin öğrenme yöntemiyle panoramik radyografilerde sekonder çürük tespiti
Tez Türü: Diş Hekimliğinde Uzmanlık
Tezin Yürütüldüğü Kurum: Kocaeli Üniversitesi, Diş Hekimliği Fakültesi, Klinik Bilimler, Türkiye
Tez Danışmanı: Neslihan Tekçe
Tezin Onay Tarihi: 2024
Tezin Dili: Türkçe
Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu
Özet:
Amaç: Bu çalışmanın amacı, sekonder çürüklerin etkin ve doğru tespitini sağlamak için yapay zeka tabanlı bir tespit yöntemi geliştirmektir. Restoratif diş hekimliğinde tanısal doğruluğu arttırmak ve hastalara sunulan tedaviyi optimize etmeyi amaçlayan bu çalışma, görüntü işleme ve derin öğrenme metotlarını kullanarak sekonder çürük teşhisinde yüksek hassasiyet ve güvenilirlik sağlamayı amaçlamaktadır. Yöntem: Bu çalışmada Kocaeli Üniversitesi Diş Hekimliği Fakültesine çeşitli nedenlerle başvurmuş hastaların panoramik radyografi görüntüleri kullanılmıştır. Çalışmaya toplamda 596 panoramik radyografi dahil edilmiştir. Elde edilen görüntüler Computer Vision Annotation Tool (CVAT) programı kullanarak sağlıklı, primer çürüklü, sekonder çürüklü, dental protetik kron, implant, kırık diş olmak üzere 6 ayrı etiket dikdörtgen şeklinde kutu çizilerek etiketlendi. Çalışmaya dahil edilen 596 panoramik radyografi görüntünün %70'i modellerin eğitilmesinde, %15'i modellerin doğrulanmasında, %15'i ise geliştirilen modellerin test edilmesi amacıyla kullanıldı. YOLOv8 ve YOLOv11 tabanlı derin öğrenme modeli ile eğitim yapıldı. Bulgular: Bu çalışmada panoramik radyografilerde sağlıklı dişler, primer çürüklü dişler, sekonder çürüklü dişler, protetik dental kronlar, dental implantlar ve kırık dişler olmak üzere altı farklı dental durumun tespiti amacıyla geliştirilen multi-class derin öğrenme algoritmalarından YOLOv8m'in hassasiyet, kesinlik, F1-skor, mAP-0.5 ve mAP0.50-0.95 değerleri sırasıyla 0.812, 0.723, 0.765, 0.796 ve 0.424 olarak bulunmuştur. Bu değerler YOLOv8x modeli için sırasıyla 0.713, 0.711, 0.712, 0.744, 0.383 iken YOLOv11x modeli için sırasıyla 0.751, 0.780, 0.765, 0.785 ve 0.436 şeklindedir. Veri arttırımı işlemi uygulandıktan sonra modelin başarısının ne şekilde değişeceğini test etmek amacıyla YOLOv8m modelinde, veri arttırımı işlemi yapılarak model yeniden eğitilmiştir. Bunun sonucunda elde edilen YOLOv8m-Aug modelinin başarısı ise sırasıyla 0.827, 0.711, 0.765, 0.819 ve 0. 434 olarak tespit edilmiştir. Sonuç: Geliştirilen derin öğrenme yöntemi ile sekonder çürüklerin tespitinde klinik uygulamaya yardımcı olacak şekilde model elde edilmiştir. Geliştirilen model klinik muayene ile desteklenerek sekonder çürüklerin tespiti açısından yardımcı bir araç olarak kullanılabilmektedir.