Akademik Veri Yönetim Sistemi
Tezin Türü: Tıpta Uzmanlık
Tezin Yürütüldüğü Kurum: Erciyes Üniversitesi, Diş Hekimliği Fakültesi, Klinik Bilimler, Türkiye
Tezin Onay Tarihi: 2021
Tezin Dili: Türkçe
Öğrenci: SERKAN YILMAZ
Danışman: Emin Murat Canger
Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu
Özet:
Önemli bir yardımcı tanı aracı olarak, günlük olarak çok sayıda dental radyograf çekilir. Radyograflar hekimlere diş çürükleri, periapikal lezyonlar veya odontojenik kistler gibi çıplak gözle her zaman görülmeyen patolojilerin kanıtlarını sağlayan temel bir teşhis aracıdır. Radyografları yorumlama işi öncelikle diş hekimleri tarafından yapıldığından hekimin klinikteki zamanını alması ve yorgunluk, duygular ve düşük deneyim seviyeleri gibi kişisel faktörlerden etkilenmesi nedeniyle yanlış tanıya veya eksik tanıya neden olabildiği görülmüştür. Ayrıca radyolojik yorumlamanın en yaygın engellerinden biri, yanlış tanıların %60-80'ini oluşturan algısal hatalardır. Bu nedenle dental radyografik analiz sırasında yanlış yorumlama kaçınılmaz olabilmektedir. Diş hekimliğinde tanı kalitesini artırmak için akıllı dental radyograf yorumlama araçları geliştirilirse, bir diş hekiminin iş yükü ve yanlış teşhis oluşumları azaltılabilir. Bu açıdan bakıldığında, dijitalleştirilmiş filmler kullanılarak otomatik diş tanımlama, akıllı sağlık hizmetleri için önemli bir gelişme olacaktır. Bu tez çalışmasında YOLO-V4 ve Faster R-CNN modellerinin panoramik radyografilerde dişlerin tespiti ve FDI sistemine göre numaralandırma performansları karşılaştırılmıştır. YOLOV4 Ortalama Hassasiyet (Precision): %99,87; Gerçek Pozitif Değerlerin Oranı (Sensitivity, Recall): %99,74 ve F1 skoru: %99,80 değerleri ile literatürde özellikle son yıllardaki çalışmalarla oldukça uyumludur ve başarılı performans göstermiştir. Faster R-CNN modeli ise Ortalama Hassasiyet (Precision): %97,27; Gerçek Pozitif Değerlerin Oranı (Sensitivity, Recall): %90,41ve F1 skoru: %93,71 değerlerine sahipti. YOLOV4 çalışma hızının Faster R-CNN çalışma hızından yaklaşık 8 kat daha hızlı bulunması ile YOLOV4'ün tüm alanlardaki performans değerleri Faster R-CNN'den daha başarılı bulunmuştur. Tüm bu bilgiler avantaj ve dezavantajlardan da yola çıkılarak çalışmamızda YOLO V4 ün Faster R-CNN' den her değerlendirme metriğinde performans olarak daha başarılı olduğu görülmektedir. Anahtar Kelimeler: Derin Öğrenme, Evrişimsel Sinir Ağları, Yapay Zeka, YOLO, Faster R-CNN