Karışık Dişlenme Dönemindeki Panoramik Röntgenlerde Diş Restorasyonlarını ve Diş Uygulamalarını Tespit ve Segmentasyon için YOLOv8 Tabanlı Derin Öğrenme Modeli Geliştirilmesi
Arka Plan: Bu çalışmanın amacı, karışık dişlenme dönemindeki çocuk hastaların panoramik röntgenlerinde altı farklı tip diş restorasyonu ve uygulamasının tespiti ve segmentasyonu için bir derin öğrenme (DL) modeli geliştirmektir.
Materyal ve Yöntem: Toplam 2.033 panoramik röntgen, altı farklı diş restorasyonu için etiketlenmiştir. Veri seti üçe ayrılmıştır: %80 eğitim, %10 doğrulama ve %10 test için. YOLOv8 modeli, 500 epoch boyunca 0,01 öğrenme oranı ile eğitilmiştir. Modelin başarısı duyarlılık (sensitivity), doğruluk (precision) ve F1 skoru ile değerlendirilmiştir.
Bulgular: YOLOv8 çok sınıflı DL modeli yüksek performans göstermiştir; genel F1 skoru 0,89, duyarlılık 0,85 ve doğruluk 0,93 olarak bulunmuştur. Değerlendirilen restorasyon tipleri arasında en yüksek F1 skoru 0,97 ile dolgu (dental fillings) için, bunu 0,94 ile paslanmaz çelik kronlar, 0,93 ile boşluk koruyucular, 0,90 ile pulpotomiler ve 0,84 ile kök kanal dolguları izlemiştir. En düşük performans, diş braketlerinin tespitinde gözlenmiş ve yalnızca 0,46 F1 skoru elde edilmiştir.
Sonuç: YOLOv8 tabanlı derin öğrenme modelleri, karışık dişlenme dönemindeki hastaların panoramik röntgenlerinde diş restorasyonlarını tespit ve segmentasyonda yüksek başarı göstermektedir.
Materyal ve Yöntem: Toplam 2.033 panoramik röntgen, altı farklı diş restorasyonu için etiketlenmiştir. Veri seti üçe ayrılmıştır: %80 eğitim, %10 doğrulama ve %10 test için. YOLOv8 modeli, 500 epoch boyunca 0,01 öğrenme oranı ile eğitilmiştir. Modelin başarısı duyarlılık (sensitivity), doğruluk (precision) ve F1 skoru ile değerlendirilmiştir.
Bulgular: YOLOv8 çok sınıflı DL modeli yüksek performans göstermiştir; genel F1 skoru 0,89, duyarlılık 0,85 ve doğruluk 0,93 olarak bulunmuştur. Değerlendirilen restorasyon tipleri arasında en yüksek F1 skoru 0,97 ile dolgu (dental fillings) için, bunu 0,94 ile paslanmaz çelik kronlar, 0,93 ile boşluk koruyucular, 0,90 ile pulpotomiler ve 0,84 ile kök kanal dolguları izlemiştir. En düşük performans, diş braketlerinin tespitinde gözlenmiş ve yalnızca 0,46 F1 skoru elde edilmiştir.
Sonuç: YOLOv8 tabanlı derin öğrenme modelleri, karışık dişlenme dönemindeki hastaların panoramik röntgenlerinde diş restorasyonlarını tespit ve segmentasyonda yüksek başarı göstermektedir.
Bilimsel Araştırma Projesi Yazmak İstiyorum
CranioCatch Diş Hekimliği alanında ağız bakımını iyileştiren Global AI destekli lider dental tıbbi teknoloji şirketidir. AI Destekli Klinik, Eğitim ve Etiketleme çözümleri ile ileri makine öğrenimi teknolojisindeki çağdaş yaklaşımlardan yararlanarak diş hastalıklarının teşhisinde ve tedavisinde önemli iyileştirmeler sağlar.
CranioCatch; Her gün dünyada binlerce diş sağlığı problemi yaşayan hastalara yenilikçi teknolojileri ile hizmet vermektedir. İşte bu yüzden değişime öncülük ediyor “Diş Hekimliğinde Bilimsel Araştırma” Alanında çalışma yapmak isteyen Değerli Diş Hekimlerimiz ile tanışmayı sabırsızlıkla bekliyoruz.
İletişime Geçin
