DENTAL RADYOGRAFİ GÖRÜNTÜLERİNDE DOKU KAYBININ YAPAY ZEKÂ KULLANILARAK TANIMLANMASI

Abstract

Klinik muayenelerde hasta tetkiklerinden teşhis ve tedavi planlaması yapmak yoğun zaman ve dikkat gerektiren bir süreçtir. Ülkemizdeki yüksek arz-talep ilişkisi dikkate alındığında bu ihtiyaca cevap verecek otomatik sistemlerin geliştirilmesi kaçınılmazdır. Son yıllarda gelişen Yapay Zekâ (YZ) teknolojileri sayesinde gerçek zamanlı teşhis mümkün hale gelmiş ve uzmanlar tarafından yoğun bir şekilde kullanılmaya başlanmıştır. Bu tez çalışmasında, diş hekimlerinin hastalık teşhisi için yaygın olarak yararlandığı görüntüleme tekniklerinden Panoramik Röntgen (PR) görüntüleri kullanılarak, diş tespiti ve sonrasında çürük sebebiyle diş yüzeyinde oluşan doku kaybının tespiti amacıyla uçtan uca bir YZ modeli geliştirilmiştir. Toplam 326 PR görüntüsü kullanılmıştır. Eğitim iki aşamadan oluşmaktadır. İlk aşamada PR görüntülerinden tekli diş tespiti için You Only Look Once (YOLO) modeli eğitilmiştir. İkinci aşamada görüntüler, içerdikleri çürük sayılarına göre katmanlı olarak eğitim, doğrulama ve test setlerine ayrılmış, uzmanlar tarafından işaretlenen tekli dişler çıkarılarak yeni veri seti oluşturulmuştur. Evrişimli Sinir Ağı (ESA) modelleri kullanılarak tekli diş görüntülerinin normal diş ve çürük diş şeklinde sınıflandırılması üzerine eğitim yapılmıştır. Eğitilen modeller arasında en başarılı ESA modelleri temel alınarak öznitelik çıkarımı yapılmıştır. Sonrasında bu öznitelikler birleştirilmiş, öznitelik seçimi algoritmaları kullanılarak en yüksek öneme sahip öznitelikler seçilmiş ve Makine Öğrenimi (MÖ) modelleri ile sınıflandırma eğitimi yapılmıştır. Eğitimler sonucunda en iyi başarımı gösteren ESA modellerinin ResNet34 ve ResNet101 modelleri olduğu görülmüştür. Bu modellerden alınan öznitelikler ile Özyinelemeli Öznitelik Eleme yöntemi kullanılarak yapılan seçim sonrasında, MÖ modelleri eğitiminde en başarılı modelin Rastgele Orman olduğu saptanmıştır. Sistem uçtan uca çalıştırılarak sonuçlar raporlanmış ve umut verici değerler ürettiği görülmüştür.

In clinical examinations, deriving diagnoses and treatment plans from patient examinations is a process that requires intensive time and attention. Considering the high supply–demand relationship in our country, the development of automatic systems capable of addressing this need has become inevitable. In recent years, with the advancement of Artificial Intelligence (AI) technologies, real-time diagnosis has become possible and has begun to be widely used by specialists. In this thesis study, an end-to-end AI model was developed with the aim of tooth detection and subsequent detection of tissue loss occurring on the tooth surface due to caries, using Panoramic Radiograph (PR) images, which are among the imaging techniques commonly utilized by dentists for disease diagnosis. A total of 326 PR images were used. The training process consisted of two stages. In the first stage, a You Only Look Once (YOLO) model was trained for single-tooth detection from PR images. In the second stage, the images were stratified into training, validation, and test sets according to the number of caries they contained, and a new dataset was created by extracting single teeth annotated by experts. Using Convolutional Neural Network (CNN) models, training was performed to classify single-tooth images as healthy teeth or carious teeth. Feature extraction was carried out based on the most successful CNN models among those trained. Subsequently, these features were combined, the most significant features were selected using feature selection algorithms, and classification training was performed using Machine Learning (ML) models. Based on the training results, it was seen that the CNN models showing the best performance were ResNet34 and ResNet101 models. After the selection made using the Recursive Feature Elimination method with features taken from these models, it was determined that Random Forest was the most successful model in ML model training. The system was run end-to-end, results were reported, and it was seen that it produced promising values.