Akademik Veri Yönetim Sistemi
Tezin Türü: Yüksek Lisans
Tezin Yürütüldüğü Kurum: Gazi Üniversitesi, Fen Bilimleri Enstitüsü, Türkiye
Tezin Onay Tarihi: 2023
Tezin Dili: Türkçe
Öğrenci: Göktuğ BACANLI
Danışman: Mahmut Emin Çelik
Özet:
Diş çürükleri günümüz dünyasında en çok görülen diş rahatsızlıklarındandır. Enfeksiyon nedeniyle meydana gelen ağrı ile kendini belli etmeden önce dental radyografiler sayesinde diş çürüklerinin tespiti yapılabilmektedir. Diş çürüğü tedavisinde farklı tedavi yöntemleri kullanılabilir ve bu yöntemlerden en yaygını dolgudur. Bu tezde, periapikal radyografiler üzerinde diş dolgularını derin öğrenme metotlarıyla otomatik olarak tespit eden hekimlere yardımcı bir karar destek sistemi sunulmuştur. Karar tespit sistemini oluşturmak için tek kademeli YOLOv3, SSD ve RetinaNet modelleri ve iki kademeli Faster R-CNN modeli kullanılmıştır. Özellik çıkarıcı olarak ResNet50, ResNet101, DarkNet-53 ve VGG16 evrişimsel sinir ağları kullanılmıştır. Model performansları doğruluk, kesinlik, duyarlılık, mAP ve F1-skor performans metrikleri ile değerlendirilmiştir. Ayrıca bütün modellerin eğitim süreleri de değerlendirilmiştir. Tüm metrikler incelendiğinde, Faster R-CNN ResNet101 modelinden 0,92 mAP, 0,87 doğruluk, 0,9 kesinlik, 0,92 duyarlılık ve 0,93 F1- Skor performans metrikleri elde edilmiştir. Buna ek olarak, YOLOv3 modelinde ise 0,99 mAP, 0,8 doğruluk, 0,8 kesinlik, 1 duyarlılık ve 0,89 F1-Skor performans metrikleri elde edilmiştir. Bu metrik incelemelerinin sonucunda ise, bu iki modelin en iyi sonuçları verdiği gözlenmiştir. Fazla katmana sahip Faster R-CNN modelinin tek kademeli modellere göre eğitim süresinin daha uzun sürdüğü gözlemlenmiştir. Bu bulgular, diğer alanlarda uzmanlara yardımcı karar destek sistemleri oluşturulduğu gibi diş hekimliği alanında da diş hekimlerine yardımcı bu tür sistemler geliştirilebileceğini göstermektedir.
Anahtar Kelimeler : Derin öğrenme, diş hekimliği, dolgu, tespit, sınıflandırma