PANORAMİK DİŞ RADYOGRAFİLERİNDE DİKKAT MEKANİZMASI TABANLI DERİN ÖĞRENME MODELİ İLE DİŞLERİN TESPİTİ, SEGMENTASYONU VE EKSİK DİŞLERİN BELİRLENMESİ

Abstract

Diş hastalıklarının yaygınlığı ve erken teşhisin klinik önemi, panoramik diş radyografilerinin tanı ve tedavi planlamasında etkin biçimde kullanılmasını gerekli kılmaktadır. Bu tez, panoramik radyografilerden dişlerin otomatik analiziyle klinik değerlendirme sürecini hızlandırmayı ve yorumlama kaynaklı hataları azaltmayı amaçlamaktadır. Tezin hipotezi, derin öğrenme tabanlı çok aşamalı bir yaklaşımın; diş sınıflandırma, diş tespiti-numaralandırma ve diş segmentasyonu görevlerinde yüksek doğruluk ve genellenebilirlik sağlayabileceğidir. Çalışmanın örneklemini 468 panoramik radyografi görüntüsü oluşturmakta; ayrıca bu görüntülerden sınır kutusu ile kırpılarak 32 sınıfta toplam 14.976 diş görüntüsü elde edilmektedir. Yöntemde, sınıflandırma için transfer öğrenme tabanlı modeller karşılaştırılmış, tespit ve numaralandırma için Faster R-CNN temelli DentifyNet geliştirilmiş, bireysel diş segmentasyonu için dikkat mekanizmalı SE-IB-ED mimarisi önerilmiştir. Bulgular, sınıflandırmada en iyi doğruluğun DenseNet121 (%78,77) ve VGG16 (%78,69) ile elde edildiğini; DentifyNet'in %97,52 precision, %97,49 recall, %97,51 F1 ve %86,42 IoU değerleri sunduğunu; SE-IB-ED modelinin ise F1 92,66, mIoU 86,39, precision 92,84, recall 92,49 ve accuracy 99,93 performansına ulaştığını göstermektedir. Sonuç olarak tez, panoramik radyografilerden otomatik diş analizi için yüksek performanslı modeller geliştirerek klinik karar destek süreçlerine katkı sağlayabilecek bir yöntemler bütünü ortaya koymaktadır.

Dental diseases are highly prevalent, and early diagnosis is clinically critical; therefore, panoramic dental radiographs play a key role in diagnosis and treatment planning. This thesis aims to accelerate clinical assessment and reduce interpretation-related errors by enabling automatic tooth analysis from panoramic radiographs. The thesis hypothesizes that a deep learning–based multi-stage approach can provide high accuracy and generalizability for tooth classification, tooth detection-numbering, and tooth segmentation tasks. The sample consists of 468 panoramic radiographs; additionally, 14,976 tooth images are obtained by bounding box cropping and organized into 32 classes. In the methodology, transfer learning models are compared for classification, a Faster R-CNN–based DentifyNet is developed for detection and numbering, and an attention-based SE-IB-ED architecture is proposed for individual tooth segmentation. The findings show that the best classification accuracies are achieved by DenseNet121 (78.77%) and VGG16 (78.69%); DentifyNet attains 97.52% precision, 97.49% recall, 97.51% F1-score, and 86.42% IoU; and SE-IB-ED reaches F1-score 92.66, mIoU 86.39, precision 92.84, recall 92.49, and accuracy 99.93. Overall, the thesis presents a set of high-performance methods for automatic tooth analysis from panoramic radiographs with potential contributions to clinical decision support.