Panoramik radyografik görüntüleri kullanan derin öğrenme tabanlı otomatik diş bölütleme yaklaşımı

Bu çalışma, diş hekimliğinde sıklıkla teşhis ve tedavi yöntemleri için kullanılan panoramik radyografi görüntülerini ile sınıflandırılmasını gerçekleştiren bir yöntem sunmaktadır. Sınıflandırma sonucunda, hastanın yaş grubuna uygun olarak özel olarak eğitilmiş modeller kullanılarak diş yapıları için otomatik bölütleme yapılmıştır. Bu sayede, yetişkin ve çocuk hastalar için farklı anatomik ve yapısal özellikler göz önünde bulundurularak daha hassas sonuçlar elde edilmiştir. Sınıflandırma modelinin başarımı Tufts veri kümesiyle değerlendirilmiş ve başarım doğruluğu 0,80 olarak kaydedilmiştir. Çalışmada geliştirilen derin öğrenme modeli, dişlerin otomatik olarak tespit edilmesini ve bölütlenmesini sağlayarak diş hekimlerine tanı ve tedavi süreçlerinde önemli veriler sunmaktadır. Bölütleme görevi için yetişkin ve çocuk görüntüleriyle iki ayrı model eğitilmiştir. Yetişkin görüntüleriyle eğitilen model DeepLabV3+ResNet50 iken çocuk görüntüleri ile eğitilen model olarak UNet seçilmiştir. Yetişkin görüntülerinde Kesişimin Birleşim Üzerine Oranında 0,90, Dice Katsayısında 0,95 başarı elde edilirken, çocuk görüntülerin bölütlenmesinde başarı Kesişimin Birleşim Üzerine Oranında 0,90, Dice Katsayısında 0,94 olarak kaydedilmiştir. Bu modellerin diş hekimleri tarafından daha rahat kullanılabilir olması açısından Gradio kütüphanesi kullanılarak grafiksel kullanıcı arayüzü oluşturulmuştur. Sunulan yöntem ve oluşturulan arayüz sayesinde hem tanı sürecinin doğruluğu artırılmış hem de hekimlerin iş yükü azaltılmaktadır. Çalışmada, diş hekimliği alanındaki tıbbı bilginin teknoloji ile daha verimli kullanılması, hastaların ihtiyaçlarına daha hızlı ve etkili çözümler sunmayı hedeflemektedir.

This study presents a method for classifying panoramic radiographic images, which are frequently used for diagnostic and treatment purposes in dentistry. Following the classification, automatic segmentation of dental structures was performed using models specifically trained according to the patient's age group. This approach allowed for more precise results by considering the distinct anatomical and structural features of adult and pediatric patients. The accuracy of the classification model was evaluated using the Tufts dataset and recorded as 0.80. The deep learning model developed in this study enables the automatic detection and segmentation of teeth, providing significant data for dentists in diagnosis and treatment processes. For the segmentation task, two separate models were trained with adult and pediatric images. The model trained with adult images was DeepLabV3+ResNet50, while UNet was selected as the model for pediatric images. The segmentation performance for adult images achieved an Intersection over Union of 0.90 and a Dice Coefficient of 0.95. For pediatric images, the Intersection over Union was 0.90, and the Dice Coefficient was recorded as 0.94. To enhance usability for dentists, a user interface was developed by using Gradio library for these models. The proposed method and the accompanying interface improve diagnosis accuracy while reducing the workload of practitioners. This study aims to enhance the efficiency of medical knowledge in dentistry through technological advancements, ultimately providing faster and more effective solutions to patient needs