PANORAMİK RADYOGRAFİLERDE DİŞ TEDAVİ UYGULAMALARININ YAPAY ZEKÂKULLANARAK TANIMLANMASI

Abstract

Günümüzde yapay zekâ ve derin öğrenme teknolojilerinin sağlık alanındaki hızlı gelişimi, diş hekimliği tanı ve tedavi planlama süreçlerinde yeni bir dönemi başlatmıştır. Panoramik dental radyografiler, tüm dişlerin ve çevre dokuların kapsamlı bir görünümünü sunması bakımından klinik rutinlerin vazgeçilmez bir parçasıdır; ancak bu görüntülerin manuel olarak yorumlanması uzmanlık gerektirmesinin yanı sıra anatomik yapıların süperpozisyonu, görüntü distorsiyonları, yorgunluk ve stres gibi faktörler nedeniyle subjektif hatalara açıktır. Bu durum, panoramik görüntülerden objektif ve standartlaştırılmış veriler üretebilecek yapay zekâ tabanlı karar destek sistemlerine olan ihtiyacı artırmaktadır. Bu tez çalışmasında, YOLOv11m ve Mask R-CNN + Fast R-CNN tabanlı hibrit bir mimari kullanılarak panoramik radyografilerde dental restorasyonların otomatik tespiti, FDI numaralandırma sistemine göre etiketlenmesi ve piksel düzeyinde bölütlenmesi hedeflenmiştir. Çalışmada kullanılan veri seti, Fırat Üniversitesi bünyesinden toplanan 300 adet panoramik radyografiden oluşmaktadır. Toplamda 9.783 nesne anotasyonu (8.737 diş ve 1.046 tedavi etiketi) içeren veri setinde dolgu, kanal tedavisi, kaplama ve implant olmak üzere dört ana tedavi sınıfı tanımlanmıştır. Önerilen sistemde diş tespiti ve numaralandırma işlemleri için YOLOv11m modeli tercih edilmiş; tespit edilen dişlerin anatomik tutarlılığını sağlamak ve simetri kaynaklı kadran hatalarını gidermek amacıyla Spatial Rule Refiner (SRR) ve SAM (Segment Anything Model) rafinasyon modülleri geliştirilmiştir. Tedavi segmentasyonu aşamasında ise Mask R-CNN ve Fast R-CNN modellerinden oluşan hibrit yapı kullanılarak restoratif materyaller piksel düzeyinde ayrıştırılmıştır. Sistem, bir tedavi maskesi ile diş alanı arasında IoU ? 0.90 örtüşme sağlandığında tedaviyi ilgili FDI numarasıyla otomatik olarak ilişkilendiren bir entegrasyon mekanizmasına sahiptir. Elde edilen bulgulara göre, diş tespiti modelinde 0.9754 mAP@0.5 ve 0.9563 F1-skoru başarısına ulaşılmıştır. Tedavi segmentasyonu modelinde ise ortalama 0.9272 mDice ve 0.8680 mIoU değerleri kaydedilmiştir. Sınıf bazlı analizlerde implant ve kaplama tedavileri %1.000 F1-skoru ile kusursuz saptanırken; kanal tedavisi %96,91 ve dolgu %93,87 F1-skoru ile yüksek doğruluk sergilemiştir. Geliştirilen sistem, bir panoramik görüntüyü ortalama 20-25 ms içinde analiz ederek manuel değerlendirme sürecinden 79 ila 200 kat daha hızlı sonuç üretmektedir. Sonuç olarak bu çalışma, diş hekimliği klinik iş akışında güvenilir, objektif ve yüksek hızlı bir dijital asistan sistemi sunmaktadır. Anahtar Kelimeler: Yapay Zeka, Derin Öğrenme, Panoramik Radyografi, Dental Restorasyonlar, FDI Numaralandırma SistemiToday, the rapid evolution of artificial intelligence and deep learning technologies in healthcare has initiated a new era in dental diagnosis and treatment planning. Panoramic dental radiographs are an indispensable part of clinical routines, providing a comprehensive view of all teeth and surrounding tissues; however, manual interpretation is susceptible to subjective errors caused by factors such as fatigue, stress, and anatomical superpositions. This situation increases the need for AI-based decision support systems that can produce objective and standardized data from panoramic images. In this thesis, a hybrid architecture based on YOLOv11m and Mask R-CNN + Fast R-CNN was employed to achieve the automated detection, FDI numbering, and pixel-level segmentation of dental restorations in panoramic radiographs. The dataset consists of 300 panoramic radiographs collected from Fırat University. Containing a total of 9,783 object annotations (8,737 tooth labels and 1,046 treatment labels), the dataset defines four main treatment classes: filling, root canal treatment (RCT), crown, and implant. The YOLOv11m model was preferred for tooth detection and numbering; Spatial Rule Refiner (SRR) and Segment Anything Model (SAM) refinement modules were developed to ensure anatomical consistency and eliminate quadrant errors. During the treatment segmentation phase, restorative materials were separated at the pixel level using a hybrid structure of Mask R-CNN and Fast R-CNN. The system features an integration mechanism that automatically associates a treatment with the relevant FDI number when an IoU ? 0.90 overlap is achieved between a treatment mask and the tooth area. According to the findings, a success of 0.9754 mAP@0.5 and a 0.9563 F1-score were achieved in the tooth detection model. In the treatment segmentation model, means 0.9272 mDice and 0.8680 mIoU values were recorded. In class-based analyses, implant and crown treatments were detected perfectly with a 1.000 F1-score, while root canal treatment showed 0.9691 and filling showed 0.9387 F1-scores. The developed system analyzes a panoramic image in an average of 20-25 ms, producing results 79 to 200 times faster than the manual evaluation process. Consequently, this study provides a reliable, objective, and high-speed digital assistant for dental clinical workflows. Keywords: Artificial Intelligence, Deep, Learning, Panoramic Radiography, Dental Restorations, FDI Numbering System