Diş radyografilerinde derin öğrenme yöntemleri ile diş çürüğü tanısı ve sınıflandırılması

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.