Dijital bitewing radyografilerde derin öğrenme yöntemi ile dişlerin numaralandırılması ve çürük tespitinin değerlendirilmesi
[ X ]
Tarih
2023
Yazarlar
Dergi Başlığı
Dergi ISSN
Cilt Başlığı
Yayıncı
Kırıkkale Üniversitesi
Erişim Hakkı
info:eu-repo/semantics/openAccess
Özet
Bu tez çalışmasının amacı, derin öğrenme yöntemleri kullanılarak geliştirilen yapay zekâ uygulamaları ile dijital bitewing radyografilerdeki dişlerin numaralandırılması ve çürük tespit etkinliğinin gerçek zamanlı olarak değerlendirilmesidir. Bu tez çalışmasında kullanılan veri seti, Kırıkkale Üniversitesi Diş Hekimliği Fakültesi veri tabanından dahil edilme ve dışlama kriterlerine göre anonim olarak elde edilen 1170 adet dijital bitewing radyografiden oluşmaktadır. Bu veri setinin, 500 sağ ve 500 sol olmak üzere toplam 1000 adedi eğitim ve validasyon seti, geriye kalan 85 sağ ve 85 sol olmak üzere 170 adedi test veri seti olarak rastgele ayrılmıştır. Bu test veri seti, 1679 adet diş, 2842 adet aproksimal yüzey, 1679 adet numaralandırma etiketi ve 602 adet çürük etiketinden oluşmaktadır. Lezyon prevalansı %21,18'dir. Üç aşamadan oluşan yöntem bölümünün ilk aşamasında, bütün dijital bitewing radyografiler üzerinde etiketleme aracı kullanılarak iki diş hekiminin %100 mutabakatıyla numaralandırma ve çürük etiketlemeleri yapılmıştır. Daha sonra bir DenseNet-121 derin öğrenme modeli 1000 adet görüntü içeren eğitim veri seti ile eğitilmiştir. Bunun sonucunda model, 170 görüntüden oluşan test veri setini otomatik bir şekilde %100 doğrulukla sağ ve sol taraf olarak ayırmıştır. İkinci aşamada, geliştirilmiş bir YOLOv7 modeli 500 sağ ve 500 sol olmak üzere toplam 1000 görüntüden oluşan eğitim veri seti üzerinde ayrı ayrı eğitilmiştir. Eğitimi yapılan model, 85 sağ ve 85 sol olmak üzere toplam 170 görüntüden oluşan test veri seti üzerinde numaralandırma ve çürük tespit işlemlerini otomatik olarak yapmıştır. Üçüncü aşamada, numaralandırılmış dişler ile tespit edilmiş çürükler bir algoritma yardımıyla eşleştirilerek hangi numaralı dişte çürük tespit edildiği belirlenmiştir. Modellerin performansı karmaşıklık matrisi kullanılarak değerlendirilmiştir. Geliştirilmiş YOLOv7 modeli, diş tespiti için 0,994 duyarlılık (sensitivite), 0,987 kesinlik (precision) ve 0,990 F1-skoru; numaralandırma için 0,974 duyarlılık (sensitivite), 0,985 kesinlik (precision) ve 0,979 F1-skoru; çürük tespiti için 0,833 duyarlılık (sensitivite), 0,866 kesinlik (precision) ve 0,849 F1-skoru değerlerini elde etmiştir. Numaralandırılan diş ve tespit edilen çürüğün eşleştirilmesi için, 0,934 doğruluk (accuracy), 0,834 duyarlılık (sensitivite), 0,961 özgüllük (spesifite), 0,851 kesinlik (precision) ve 0,842 F1-skoru değerleri elde edilmiştir. Bu tez çalışmasına göre, derin öğrenme yönteminin bitewing radyografiler üzerinde numaralandırma ve çürük tespit etkinliğinin sonuçları umut vericidir.
The aim of this thesis study is to automatically detect teeth in digital bitewing radiographs, using artificial intelligence applications developed with deep learning methods, and to evaluate real-time efficiency in numbering and caries detection. The data set used in this thesis consists of 1170 digital bitewing radiographs obtained anonymously according to inclusion and exclusion criteria from the faculty radiology archive. This dataset has been randomly split into a total of 1000 images for the training and validation set, consisting of 500 right and 500 left sides. The remaining 170 images, comprising 85 right and 85 left sides, form the test dataset. The test dataset consists of 170 digital bitewing radiographs, 1679 teeth, 2842 proximal surfaces, 1679 numbering labels, and 602 caries labels. The lesion prevalence is 21.18%. In the first stage of the method section, which consists of three stages, labeling tool was employed to perform numbering and caries labeling with 100% agreement between two dentists on all digital bitewing radiographs. Subsequently, a DenseNet- 121 deep learning model was trained with a training dataset containing 1000 images. As a result, the model successfully split the test dataset of 170 images into right and left sides with 100% accuracy. In the second stage, an enhanced YOLOv7 model was separately trained on a training dataset consisting of a total of 1000 images, with 500 right and 500 left sides. The trained model subsequently automated the numbering and caries detection processes on a test dataset containing a total of 170 images, comprising 85 right and 85 left sides. In the third stage, matched with an algorithm, the numbered teeth and detected caries were correlated to determine which numbered tooth had caries detected. The performance of the models was evaluated using a confusion matrix. The enhanced YOLOv7 model has achieved sensitivity of 0.994, precision of 0.987, and an F1-score of 0.990 for tooth detection; sensitivity of 0.974, precision of 0.985, and an F1-score of 0.979 for numbering; and sensitivity of 0.833, precision of 0.866, and an F1-score of 0.849 for caries detection. For matching the numbered teeth with detected caries, accuracy of 0.934, sensitivity of 0.834, specificity of 0.961, precision of 0.851, and an F1-score of 0.842 were obtained. According to the data obtained from this thesis study the deep learning method demonstrates promising results in tooth numbering and caries detection on bitewing radiographs.
The aim of this thesis study is to automatically detect teeth in digital bitewing radiographs, using artificial intelligence applications developed with deep learning methods, and to evaluate real-time efficiency in numbering and caries detection. The data set used in this thesis consists of 1170 digital bitewing radiographs obtained anonymously according to inclusion and exclusion criteria from the faculty radiology archive. This dataset has been randomly split into a total of 1000 images for the training and validation set, consisting of 500 right and 500 left sides. The remaining 170 images, comprising 85 right and 85 left sides, form the test dataset. The test dataset consists of 170 digital bitewing radiographs, 1679 teeth, 2842 proximal surfaces, 1679 numbering labels, and 602 caries labels. The lesion prevalence is 21.18%. In the first stage of the method section, which consists of three stages, labeling tool was employed to perform numbering and caries labeling with 100% agreement between two dentists on all digital bitewing radiographs. Subsequently, a DenseNet- 121 deep learning model was trained with a training dataset containing 1000 images. As a result, the model successfully split the test dataset of 170 images into right and left sides with 100% accuracy. In the second stage, an enhanced YOLOv7 model was separately trained on a training dataset consisting of a total of 1000 images, with 500 right and 500 left sides. The trained model subsequently automated the numbering and caries detection processes on a test dataset containing a total of 170 images, comprising 85 right and 85 left sides. In the third stage, matched with an algorithm, the numbered teeth and detected caries were correlated to determine which numbered tooth had caries detected. The performance of the models was evaluated using a confusion matrix. The enhanced YOLOv7 model has achieved sensitivity of 0.994, precision of 0.987, and an F1-score of 0.990 for tooth detection; sensitivity of 0.974, precision of 0.985, and an F1-score of 0.979 for numbering; and sensitivity of 0.833, precision of 0.866, and an F1-score of 0.849 for caries detection. For matching the numbered teeth with detected caries, accuracy of 0.934, sensitivity of 0.834, specificity of 0.961, precision of 0.851, and an F1-score of 0.842 were obtained. According to the data obtained from this thesis study the deep learning method demonstrates promising results in tooth numbering and caries detection on bitewing radiographs.
Açıklama
Diş Hekimliği Fakültesi, Restoratif Diş Tedavisi Ana Bilim Dalı
Anahtar Kelimeler
Diş Hekimliği, Dentistry
