GELİŞİMSEL DİL ANOMALİLERİNİN EVRİŞİMLİ SİNİR AĞLARI KULLANILARAK BELİRLENMESİ

Abstract

Bu çalışmanın amacı, rutin dental muayene sırasında karşılaşılan dil anomalilerinin evrişimli sinir ağları kullanılarak belirlenmesidir. Çalışmaya 1038 adet dil fotoğrafı dahil edildi ve 123 sağlıklı dil, 259 paslı dil, 289 fissürlü dil, 96 kıllı dil, 174 coğrafik dil ve 97 median romboid glossit olmak üzere 6 sınıf oluşturuldu. Sağlıklı dil ile diğer dil anomalileri arasında ikili sınıflandırma işlemi gerçekleştirildi. Ek olarak, sağlıklı-paslı-fissürlü, sağlıklı-kıllı-fissürlü, sağlıklı-kıllı-paslı ve paslı-kıllı-füssürlü olmak üzere dört farklı üçlü sınıflandırma problemi değerlendirildi. İkili sınıflar için ResNet18 modeli tercih edilirken; üçlü sınıflar için ResNet50 modeli tercih edildi. Modellerin performansı doğruluk, duyarlılık, kesinlik ve F1-Skor metrikleriyle değerlendirildi. ResNet18 modeli, ikili sınıflandırma probleminde genel olarak her ikili sınıf için yüksek performans sergiledi. Özellikle sağlıklı-kıllı dil grubu için tüm metriklerde %100 başarı elde edildi. Diğer gruplar incelendiğinde ise yüksek metrik değerleri gözlemlendi. Bu durum ResNet18 modelinin çalışma kapsamında kullanılan veriler üzerinde ikili dil sınıflandırma problemlerinde etkili olduğunu göstermektedir. ResNet50 modeli ise daha karmaşık üçlü sınıflandırma görevlerinde tercih edildi. Sağlıklı-paslı-kıllı dil grubu için yüksek doğruluk (0.96) ve F1-Skor (0.95) değerleri elde edildi. Modelin fissürlü-paslı-kıllı dil grubu için nispeten yüksek düzeyde bir performans (0.91 doğruluk ve 0.91 F1-Skor) elde edildiği görüldü. Sağlıklı-fissürlü-paslı ve sağlıklı-fissürlü-kıllı dil grupları için ise model aynı performansı sağlayamadı. Bu durum, bu anomalilerin ayırt edilmesinin daha zor olduğunu ve modelin ayrımı zor olan karmaşık görevlerde zorlandığını göstermektedir. Evrişimli sinir ağlarıyla genellikle asemptomatik olan ve sıklıkla gözden kaçırılan dil anomalilerinin otomatik teşhisi mümkün görünmektedir. Daha kapsamlı çalışmalarla geliştirilen algoritmalar, daha verimli bir teşhis süreci açısından klinisyenlere yardımcı olacaktır.

The aim of this study is to identify tongue anomalies that encountered during routine dental examination using convolutional neural networks. 1038 tongue photographs were included in the study and classified into 6 classes as: 123 healthy tongue, 259 coated tongue, 289 fissured tongue, 96 hairy tongue, 174 geographical tongue and 97 median rhomboid glossitis. A binary classification process was performed between healthy tongue and other tongue anomalies. In addition, four different triple classification problems were evaluated as: healthy-coated-fissured, healthy-hairy-fissured, healthy-hairy-coated and coated-hairy-fissured tongue. The ResNet18 model is preferred for binary classes; ResNet50 model was preferred for triple classes. The performance of the models was evaluated with accuracy, recall, precision and F1-Score metrics. The ResNet18 model generally demonstrated high performance for each binary class in the binary classification problem. Especially for the healthy-hairy language group, 100% success rate was achieved in all metrics. When other groups were analyzed, high metric values were observed. This shows that the ResNet18 model is effective in binary tongue classification problems on the data used within the scope of the study. The ResNet50 model was preferred for more complicated triple classification tasks. High accuracy (0.96) and F1-Score (0.95) values were obtained for the healthy-coated-hairy tongue group. It was observed that the model achieved a relatively high level of performance (0.91 accuracy and 0.91 F1-Score) for the fissured-coated-hairy tongue group. The model could not provide the same performance for the healthy-fissured-coated and healthy-fissured-hairy tongue groups. This indicates that these anomalies are more difficult to distinguish and the model struggles with complex tasks where differantiation is challenging. With convolutional neural networks, automatic diagnosis of language anomalies, which are often asymptomatic and overlooked, seems possible. Algorithms developed through more comprehensive studies will help clinicians with a more efficient diagnostic process.