Transfer öğrenimi tabanlı evrişimli sinir ağlarını kullananotomatik dental panoramik görüntü segmentasyonu

Radyolojik incelemelerde kullanılan X-Ray görüntüleri diş hekimlerinin hastanın problemini anlamak ve çözmek için başvurduğu temel verilerden biridir. Bu görüntülerden panoramik X-ray görüntüleri tüm ağız bölgesini göstermesi sebebiyle hastanın probleminin teşhis ve tedavisi açısından daha kapsamlıdır. Ayrıca diş harici birçok bölümü de içerdiğinden en karmaşık yapıya sahip görüntülerdir. Öte yandan kullanılan cihazlardan kaynaklı farklı görüntü niteliklerine sahiptirler. Bunlar göz önünde bulundurulduğunda panoramik X-ray görüntülerinin doğru işlenmesi zorlayıcı bir süreçtir ve başarılı bir şekilde analiz edilmesi büyük önem teşkil etmektedir. Bu süreci otomatik hale getirerek uzmanlara yardımcı olmak için çeşitli klasik görüntü işleme algoritmaları geliştirilmiştir. Yıllar boyunca veri setlerinin boyutlarının artması, kullanılan cihazların gelişmesi gibi etkenlerle birlikte derin öğrenme (DL) teknolojisi daha popüler hale gelmiş ve uygulama alanları genişlemiştir. Dolayısıyla klasik görüntü işleme algoritmalarının yanı sıra X-Ray görüntüleri birçok amaç için derin öğrenme (DL) teknolojisi kullanılarak da analiz edilmeye başlanmıştır. Fakat diş veri setlerinin boyutları diğer uygulama alanlarında bulunan veri setlerinin boyutlarına kıyasla oldukça azdır. Bu tezin amacı küçük veri seti boyutu sorununa transfer yöntemi ile çözüm bularak panoramik X-ray görüntüleri ile başarılı bir diş segmentasyonu gerçekleştirmektir. Elde bulunan panoramik X-ray görüntülerinin boyutlarının farklılığını gidermek için bütün veri seti yeniden boyutlandırılarak aynı formatta olmaları sağlanmıştır. Seçilen görüntü düzenleme uygulamasıyla modellerin eğitiminde kullanılacak görüntü maskeleri oluşturulmuştur. Transfer öğrenme yöntemi için ihtiyaç duyulan önceden eğitilmiş derin öğrenme (DL) modeli olarak U-Net ve InceptionResNet-V2 modelleri seçilmiş ve iki farklı derin öğrenme mimarisi oluşturulmuştur. InceptionResNet-V2 modeli halka açık görüntü veri setiyle önceden eğitildiği için kütüphane olarak hazır halde bulunmaktadır. U-Net modeli ise halka açık olarak yayınlanan göğüs X-Ray veri seti ile eğitilmiştir. Önceden eğitilmiş modeller ile birleştirilerek panoramik X-ray görüntüleri üzerinden eğitilecek olan temel derin öğrenme (DL) modeli olarak U-Net mimarisi seçilmiştir. Böylece iki farklı derin öğrenme mimarisi oluşturularak eğitim gerçekleştirilmiştir. Modellerin veri ezberlemesine karşı veri artırma yöntemi bütün iş veri setine uygulanmıştır. Ayrıca erken sonlandırma yöntemiyle de yine veri ezberleme probleminin önüne geçilmiştir. Oluşturulan test veri seti kullanılarak modellerin doğrulukları zar katsayısıyla ölçülmüş ve sonuçlar karşılaştırılmıştır.