Derin öğrenme ve oto-kırpma kullanılarak panoramik radyograflarda sabit restorasyonların değerlendirilmesi

Bu tezin amacı, diş görüntülemede derin öğrenme tekniklerinin, özellikle Evrişimsel Sinir Ağı (CNN) algoritmalarının yeteneklerini araştırmaktır. CNN'ler çeşitli alanlarda yaygın olarak kullanılmış olsa da, diş görüntülemedeki uygulamaları hala sınırlıdır. Bu tez, üç dişhekimi uzmanı tarafından beş ayrı gruba ayrılmış 20.973 panoramik radyograftan oluşan benzersiz bir veri seti oluşturarak bu boşluğu doldurmayı amaçlamaktadır. Veri seti, AlexNet, VGG-16 ve ResNet modellerinin çeşitleri dahil olmak üzere CNN modellerini eğitmek için kullanıldı. Modeller daha sonra sağlamlıklarını artırmak için 10 kez çapraz doğrulama ve veri artırma teknikleri kullanılarak değerlendirildi. ResNet-101 modeli en yüksek doğruluğu %92,7 ile ve en yüksek makro ortalama AUC'yi 0,989 ile elde etti. Ayrıca, AlexNet için %75,5 ile Inception ResNet V2 için %92,1 arasında değişen doğruluk oranlarıyla diğer modeller de iyi performans gösterdi. Veri setinin zorluk seviyesini düşürme çabaları sonucu ortaya çıkan oto-kırpma optimizasyonu ile en iyi sonuç %94,5 doğruluk ve 0,993 makro ortalama AUC'ye yükseltildi. Bu bulgular, diş görüntülemede CNN'lerin potansiyelini açıkça göstermekte ve hastanın panoramik radyografisini aldıktan sonra diş hekimlerine hemen değerli yardımcı bilgiler sağlayabilen bilgisayar destekli teşhis sistemlerinin oluşturulmasının önünü açmaktadır. Ayrıca, önerilen veri setinin farklı problemler için yeniden etiketlenebilmesi ve çeşitli çalışmalarda kullanılabilmesi nedeniyle önemli ölçüde çok yönlülüğe sahip olduğu belirtilmelidir. Böylece, bu çalışma dental görüntüleme araştırmalarındaki ilerlemeler için değerli bir kaynak olacaktır. Benzer şekilde, oto-kırpma, uçtan uca bir CNN'de eğitilebilir bir ağ katmanı olarak uygulanabilir ve farklı problemler için kullanılabilir. Genel olarak, bu tez, türevlenebilir oto-kırpma ile elde edilen performans kazancının yanı sıra teşhis doğruluğunu ve diş bakımının verimliliğini artırmak için diş görüntülemede derin öğrenme tekniklerinin potansiyelini vurgular ve bu tekniklerin uygulanmasına ilişkin gelecekteki araştırmalar için güçlü bir temel oluşturur.