Derin öğrenme yöntemine dayalı yapay zekâ algoritmalarıyla panoramik radyografilerde incelenen sabit protetik restorasyonlar altında oluşan çürüklerin tespiti
| dc.contributor.advisor | Atsü, Saadet Sağlam | |
| dc.contributor.author | Ayhan, Betül | |
| dc.date.accessioned | 2025-01-21T15:59:43Z | |
| dc.date.available | 2025-01-21T15:59:43Z | |
| dc.date.issued | 2023 | |
| dc.department | KKÜ, Diş Hekimliği Fakültesi, Protetik Diş Tedavisi Ana Bilim Dalı | |
| dc.description | Diş Hekimliği Fakültesi, Protetik Diş Tedavisi Ana Bilim Dalı | |
| dc.description.abstract | Diş çürüklerinin, erken dönemde tespit edilerek tedavi edilmesi dişler üzerine yapılan restorasyonların başarısını arttırmaktadır. Diş çürüğünün varlığının hekim tarafından tespiti, yalnızca klinik muayene ile çoğu zaman mümkün olmamakta ve sıklıkla radyolojik tespit yöntemlerinden yararlanılması gerekmektedir. Diş üzerinde radyoopak görüntü veren dental restorasyon varlığı, restorasyon altında oluşmuş çürüklerin tespitini zorlaştırmaktadır. Hastaların diş eksikliklerini yerine koyan, estetik ve fonksiyonel işlevlerini yeniden oluşturan ve bu işlemleri çeşitli dental materyal ve teknikle yapabilen sabit protetik restorasyonlarda (SPR) en sık görülen geç komplikasyon restorasyon altında çürük oluşumudur. Bu restorasyonlar altında oluşan çürüklerin klinik olarak tespit edilmesi SPR'lerin prognozu açısından önem taşımaktadır. 2 boyutlu ve 3 boyutlu radyografiler, klinik pratiğinde sabit protetik restorasyon altındaki çürük lezyonlarının tespitinde kullanılabilseler de 2 boyutlu radyografilerde görüntüleme hatalarının sık olması; 3 boyutlu radyografilerde de hastaya verilen radyasyon dozunun fazla olması bu yöntemlerin dezavantajlarıdır. Protetik restorasyon altında çürüğün geleneksel yöntemlerle teşhis edilmesindeki zorluklar nedeniyle, farklı çürük tespit yöntemlerinin geliştirilmesi gerekmektedir. Bu çalışma, derin öğrenme yöntemlerine dayalı yapay zekâ algoritmalarından YOLOV7 kullanılarak panoramik radyografilerde sabit protetik diş restorasyonları altında çürük tespitinin etkinliğinin değerlendirilmesi amacıyla yapılmıştır. Veri seti olarak 1004 hastanın panoramik radyografileri kullanılmıştır. Önerdiğimiz çürük tespit sistemi iki aşamadan oluşmaktadır. Çalışmanın ilk aşamasında, panoramik radyografiler üzerindeki SPR'lerin otomatik olarak tespit edilmesi ve kırpılması yani asıl görüntüden seçilerek çıkarılması işlemi gerçekleştirilmiştir. Bu aşamada her bir radyografik görüntü üzerinde SPR'ler etiketlenmiş ve bu görüntülerle bir derin öğrenme modeli olan YOLOV7 eğitilmiştir. Eğitilen derin öğrenme modeli SPR'leri 0.966 kesinlik, 0.947 hassasiyet, 0.968 mAP (Mean Avarage Precision) ve 0.956 F1 skoru elde ederek tespit etmiştir. Bu çalışmanın ikinci aşaması kırpılan görüntüler üzerindeki SPR'lerin altındaki çürüklerin tespit edilmesini içermektedir. Bu aşamada görüntüler üzerinde çürük (decay), çürüksüz dayanak diş (healthy), kayıp diş (missing) etiketlemeleri yapılarak farklı bir YOLOV7 modeli elde edilmiştir. Bu model eğitim sonrası çürük etiketi için 0.791 duyarlılık, 0.837 kesinlik, 0.80 mAP, 0.813 F1 değeri elde ederken kayıp diş için 0.939 duyarlılık, 0.804 kesinlik, 0.931 mAP, 0.866 F1 değeri çürüksüz dayanak diş için 0.976 duyarlılık, 0.945 kesinlik, 0.978 mAP, 0.96 F1 skoru elde etmiştir. Orijinal YOLOV7 modeli ile eğitim yapıldıktan sonra, SPR altındaki çürükleri daha iyi tespit edebilmek için bu modelin içine dikkat mekanizmaları (CBAM) eklenmiş, modelin çürük tespit performansının arttığı gözlemlenmiştir. YOLOV7+CBAM modeli ile çürük etiketi için 0.827 duyarlılık, 0.834 kesinlik, 0.846 mAP, 0.83 F1 skoru; kayıp diş etiketi için 0.922 duyarlılık, 0.821 kesinlik, 0.933 mAP, 0.868 F1; çürüksüz dayanak diş etiketi için 0.964 duyarlılık, 0.945 kesinlik, 0.973 mAP ve 0.954 F1 skoru elde edilmiştir. Çalışmamızda panoramik radyografilerde izlenen SPR altındaki çürükleri tespit etmek amacıyla derin öğrenme modellerinin kullanımı umut verici sonuçlar göstermiştir. Klinik uygulamalarda yaygın olarak tercih edilen panoramik radyografide yapay zekâ ile protetik restorasyonların altındaki çürüklerin tespiti hekimlere zaman yönetimi ve teşhis açısından kolaylık sağlayacağı düşünülmektedir. Literatür araştırmamıza göre SPR altındaki çürüklerin panoramik radyografik veriler kullanılarak derin öğrenme algoritmaları ile tespit edildiği başka bir çalışma bulunmamaktadır. Çalışmamızın sonuçlarını değerlendirme kapsamını genişletmek ve yapay zekânın SPR altındaki çürüklerin tespiti alanında geliştirilmesini sağlamak amacıyla bu alanda yeni çalışmaların yapılması gerekmektedir. | |
| dc.description.abstract | Early detection and treatment of dental caries increases the success of restorations on teeth. Detection of the presence of dental caries by the physician is often not possible with only clinical examination, and radiological detection methods should be used frequently. The presence of a radiopaque dental restorations on the tooth makes it difficult to detect caries formed under the restoration. The most common late complication in fixed dental prosthetic restorations (FDP) is the formation of caries under the restoration. The clinical diagnosis of caries formed under these restorations is important for the prognosis of FDPs. Although 2D and 3D radiographs can be used in clinical practice for the detection of carious lesions under fixed prosthetic restoration, they have disadvantages such as the frequency of imaging errors seen in 2D radiographs and the high radiation dose given to the patient in 3D radiographs. Due to the difficulties in diagnosing caries with traditional methods under prosthetic restoration, different caries detection methods need to be developed. This study was carried out to evaluate the effectiveness of caries detection under fixed prosthetic tooth restorations on panoramic radiographs using the artificial intelligence algorithm YOLOV7 based on deep learning methods. Panoramic radiographs of 1004 patients were used as the data set. The caries detection system we propose consists of two stages. The first stage of the study is the automatic detection and cropping of FDPs in panoramic radiographs, that is, their selection and extraction from the original images. At this stage, the deep learning model YOLOV7 is trained by labelling FDPs on each radiographic image. The trained deep learning model detected FDPs with a sensitivity of 0.966, a precision of 0.947, a mAP (Mean Average Precision) of 0.968, and a F1 score of 0.956. The second phase of this study involved the detection of caries under the FDPs on the cropped images. At this stage, a different YOLOV7 model was obtained by labeling caries (decay), caries-free abutment (healthy), missing tooth (missing) on the images. After training with the original YOLOV7 obtained 0.791 sensitivity, 0.837 precision, 0.80 mAP and 0.813 F1 scores for the caries; 0.939 sensitivity , 0.804 precision, 0.931 mAP, 0.866 F1 scores for the missing tooth; 0.976 sensitivity, 0.945 precision, 0.978 mAP and 0.96 F1 scores have been obtained for the caries-free abutment tooth. Then attention mechanisms (CBAM) were added to this model in order to better detect caries under FDPs, and it was observed that the caries detection performance of the model increased. With the YOLOV7+CBAM model after testing results were 0.827 sensitivity, 0.834 precision, 0.846 mAP and 0.830 F1 scores for the caries; 0.922 sensitivity, 0.821 precision, 0.933 mAP and 0.868 F1 scores for the missing tooth ; 0.964 sensitivity, 0.945 precision, 0.973 mAP and 0.954 F1 scores were obtained for the caries-free abutment. In our study, the use of deep learning models to detect caries under FDPs observed on panoramic radiographs gave promising results. It is thought that the detection of caries under prosthetic restorations with artificial intelligence in panoramic radiography, which is widely preferred in clinical applications, will provide convenience to physicians in terms of time management and diagnosis. According to our literature search, there is no other study in which caries under FDPs were detected by deep learning algorithms using panoramic radiographic data. In this field, new studies are required for developing artificial intelligence in the detection of caries under FDPs and evaluating the results of our study in a broader meanings. | |
| dc.identifier.endpage | 124 | |
| dc.identifier.startpage | 1 | |
| dc.identifier.uri | https://tez.yok.gov.tr/UlusalTezMerkezi/TezGoster?key=j_Fjwp4JS4mk97Puqti8rt8rQHoDIVPvbT7zHwYNMObRyD-5wG3jNG1JDI8mWjNt | |
| dc.identifier.uri | https://hdl.handle.net/20.500.12587/20522 | |
| dc.identifier.yoktezid | 804064 | |
| dc.language.iso | tr | |
| dc.publisher | Kırıkkale Üniversitesi | |
| dc.relation.publicationcategory | Tez | |
| dc.rights | info:eu-repo/semantics/openAccess | |
| dc.snmz | KA_20241229 | |
| dc.subject | Diş Hekimliği | |
| dc.subject | Dentistry | |
| dc.title | Derin öğrenme yöntemine dayalı yapay zekâ algoritmalarıyla panoramik radyografilerde incelenen sabit protetik restorasyonlar altında oluşan çürüklerin tespiti | |
| dc.title.alternative | Detection of caries formed under fixed prosthetic restorations examined on panoramic radiographs with artificial intelligence algorithms based on DEEP learning method | |
| dc.type | Specialist Thesis |
