PANORAMİK RADYOGRAFİ GÖRÜNTÜLERİ ÜZERİNDE DİŞ ÇÜRÜĞÜNÜN DERİN ÖĞRENME TABANLI YÖNTEMLER İLE ANALİZİ VE TESPİTİ

Abstract

ÖZET

Bu çalışmada, uzmanı desteklemek için çevresel faktörlerden etkilenmeyen derin öğrenme yöntemlerine dayalı diş çürüğü lezyonlarının tespitini panoramik görüntüler üzerinde tamamen otomatikleştirebilen bir model önerilmektedir. Çürük, bireylerin en yaygın karşılaştığı ve en çok diş sağlığı hizmetlerine başvurduğu bir diş lezyonudur. Diş çürüğü lezyonları yemek artıklarından ya da ağız içinde aktivite gösteren bakterilerin diş yapısında bozulma oluşturmasından kaynaklanmaktadır. Bu lezyonlar klinik ortamlarda uzmanların gerçekleştirdiği görsel muayeneler sonucunda tespit edilmektedir. Görsel muayeneler X-ışını kullanarak görüntüleme yapabilen cihazların ürettiği radyografik görüntüler ile gerçekleştirilmektedir. Diş çürüğü lezyonlarının tespiti ve teşhisi uzmana klinik ortamda bir yük teşkil etmektedir. Bu durumdan dolayı kliniksel zaman yönetimi ve tedavi süreci zorlaşabilmektedir. Diş çürüğü lezyonlarının derin öğrenme yöntemleri ile sınıflandırılması, bölütlenmesi ve tespiti bu tür

zorlukların aşılabilmesi için önemli bir araştırma konusudur. Bu çalışmada, uzmanlar tarafından oluşturulmuş çürük etiketlerine sahip panoramik veri seti Mask R-CNN mimarisine girdi olarak verilmiş ve performans ölçümü gerçekleştirilmiştir. Daha sonrasında kırpılan her görüntüden çürük etiketine sahip olanlar çürük sınıfına ve çürük etiketine sahip olmayanlar ise çürük olmayan sınıfına dahil edilmiştir. Kategorilenmiş bu ana veri seti farklı sınıf oranları dikkate alınarak alt veri setlerine ayrılmıştır. Toplamda 2709 kırpılmış görüntüden oluşan alt veri seti üzerinde öz-dikkat mekanizmasına sahip ConvNeXt modeli ile %80,34 doğruluk, %86,54 kesinlik, %91,47 duyarlılık ve %88,94 f1-skoru performansına ulaşılmıştır. Aynı zamanda ConvNeXt modeli ile k-katman çapraz doğrulama yöntemi ile modelin diş çürüğü görüntülerini ne kadar iyi sınıflandırabildiği ölçülmüştür. Alt ve ana veri setleri üzerinde derin öğrenme sınıflandırıcılarından GoogLeNet, ShuffleNet, ResNet-50, MobileNet, DenseNet-169, DenseNet-121, VGG-19 mimarileri ile eğitimler gerçekleştirilmiştir. Tez çalışması kapsamında yapılandırılmış sınıflandırıcısıyla önerilen yöntem ile de eğitim gerçekleştirilmiştir. Çürük ve çürük olmayan sınıflara göre kategorize edilen ana veri seti üzerinde önerilen yöntem, diğer sınıflandırma modellerine ve alt veri setlerine göre %93,17 doğruluk, %89,43 kesinlik, %85,84 duyarlılık ve %87,49 f1-skoru metriği ile daha yüksek performans göstermiştir. Bu sonuçlar ışığında sınıflandırma, bölütleme ve tespit işlemleri başarılı bir şekilde gerçekleştirilmiştir.

ABSTRACT

In this study, a system that can fully automate the detection of caries lesions on panoramic images based on deep learning methods unaffected by environmental factors is provided to support the specialists. Caries is a dental lesion commonly encountered by a person and most frequently applied to dental health services. Tooth caries lesions are the deterioration of tooth structure caused by food residues or bacteria formed active in the mouth. These lesions are detected during visual examinations performed by specialists in clinical settings. Visual assessments are performed with radiographic images produced by devices capable of imaging using X-rays. Detection and diagnosis of dental caries lesions burden the specialist in the clinical setting. Because of this situation, clinical time management and treatment processes can be complicated. Classification, segmentation, and detection of dental caries lesions with deep learning methods is an important research topic to overcome such difficulties. A dataset of panoramic dental images with caries annotations created

by specialists was given as input to Mask R-CNN architecture, and performance was measured. Afterwards, each cropped image with caries annotations were included in the caries class, and each cropped image without annotations was included in the non-caries category. This categorized main data set was divided into sub-datasets considering different class ratios. 80.34% accuracy, 86.54% precision, 91.47% sensitivity and 88.94% f1-score performance were achieved with the ConvNeXt model with self-attention mechanism on the sub-dataset consisting of 2709 cropped images in total. At the same time, the k-fold cross validation method with the ConvNeXt model measured how well the model could classify dental caries images. GoogLeNet, ShuffleNet, ResNet-50, MobileNet, DenseNet-169, DenseNet-121, and VGG-19 deep learning architectures have been trained with main and sub datasets. The training was also carried out with the method proposed with the structured classifier within the scope of the thesis study. The proposed method on the main dataset, categorized according to caries and non-carious classes, showed higher performance with 93.17% accuracy, 89.43% precision, 85.84% sensitivity and 87.49% f1-score metric compared to other classification models and sub-datasets. According to these results, classification, segmentation, and detection processes are carried out successfully.