Derin öğrenme yöntemi ile panoramik radyografiden diş eksikliklerinin tespiti: Bir yapay zekâ pilot çalışması

Çelik Ö., Odabaş A., Bayrakdar İ. Ş., Bilgir E., Akkoca Kaplan F.

Selcuk Dental Journal, cilt.6, sa.4, ss.168-172, 2019 (Düzenli olarak gerçekleştirilen hakemli kongrenin bildiri kitabı)

  • Yayın Türü: Makale / Tam Makale
  • Cilt numarası: 6 Sayı: 4
  • Basım Tarihi: 2019
  • Dergi Adı: Selcuk Dental Journal
  • Derginin Tarandığı İndeksler: TR DİZİN (ULAKBİM)
  • Sayfa Sayıları: ss.168-172
  • Eskişehir Osmangazi Üniversitesi Adresli: Evet

Özet

Amaç: Bu çalışmanın amacı, panoramik radyografide diş eksikliklerinin değerlendirilmesi için tasarlanmış tanı amaçlı bilgisayar yazılımının işlevini geliştirmek ve değerlendirmektir. Gereç ve Yöntemler: Veri seti eksik diş tespiti için 99 tam diş ve 54 eksik diş olmak üzere 153 görüntüden oluşmaktadır. Tüm görüntüler Ağız, Diş ve Çene Radyolojisi uzmanları tarafından tekrar kontrol edilmiş ve doğrulanmıştır. Veri setindeki tüm görüntüler eğitim öncesinde 971 X 474 piksel olarak yeniden boyutlandırılmıştır. Açık kaynak kodlu python programlama dili ve OpenCV, NumPy, Pandas, ile Matplotlib kütüphaneleri etkin olarak kullanılarak bir rastgele dizilim oluşturulmuştur. Önceden eğitilmiş bir Google Net Inception v3 CNN ağı ön işleme için kullanılmış ve veri setleri transfer öğrenimi kullanılarak eğitilmiştir. Bulgular: Eğitim de kullanılan görüntülerin modeli tahminlendirmesi ile çıkan başarı oranı % 94.7’dir. Eğitimde kullanılmayan test için ayrılan görüntülerin tahminlemesindeki başarı oranı % 75’dir. Sonuç: Derin öğrenme tekniklerinde veri seti arttıkça başarı oranları da artmaktadır. Daha fazla görüntüyle oluşacak veri setininin eğitim modellerinde başarı oranları yükselecektir. Gelecek çalışmalar daha büyük veri setleriyle yapılmalıdır. ANAHTAR KELİMELER Panoramik radyografi, derin öğrenme, yapay zekâ

Amaç: Bu çalışmanın amacı, panoramik radyografide diş eksikliklerinin değerlendirilmesi için tasarlanmış tanı amaçlı bilgisayar yazılımının işlevini geliştirmek ve değerlendirmektir.

Gereç ve Yöntemler: Veri seti eksik diş tespiti için 99 tam diş ve 54 eksik diş olmak üzere 153 görüntüden oluşmaktadır. Tüm görüntüler Ağız, Diş ve Çene Radyolojisi uzmanları tarafından tekrar kontrol edilmiş ve doğrulanmıştır. Veri setindeki tüm görüntüler eğitim öncesinde 971 X 474 piksel olarak yeniden boyutlandırılmıştır. Açık kaynak kodlu python programlama dili ve OpenCV, NumPy, Pandas, ile Matplotlib kütüphaneleri etkin olarak kullanılarak bir rastgele dizilim oluşturulmuştur. Önceden eğitilmiş bir Google Net Inception v3 CNN ağı ön işleme için kullanılmış ve veri setleri transfer öğrenimi kullanılarak eğitilmiştir.

Bulgular: Eğitim de kullanılan görüntülerin modeli tahminlendirmesi ile çıkan başarı oranı % 94.7’dir. Eğitimde kullanılmayan test için ayrılan görüntülerin tahminlemesindeki başarı oranı % 75’dir.

Sonuç: Derin öğrenme tekniklerinde veri seti arttıkça başarı oranları da artmaktadır. Daha fazla görüntüyle oluşacak veri setininin eğitim modellerinde başarı oranları yükselecektir. Gelecek çalışmalar daha büyük veri setleriyle yapılmalıdır.

ANAHTAR KELİMELER

Panoramik radyografi, derin öğrenme, yapay zekâ

Background: The aim of this study is to develop and evaluate the function of computer based diagnostic software designed to evaluate tooth deficiency in panoramic radiography. Methods: The data set consists of 153 images, including 99 complete teeth and 54 missing teeth for detection of tooth deficiency. All images were re-checked and verified by dental radiologists. All images in the data set were resized to 971 X 474 pixels prior to training. A random sequence was created using open-source python programming language and OpenCV, NumPy, Pandas, and Matplotlib libraries. A pre-trained Google Net Inception v3 CNN network was used for pre-processing and data sets were trained using transfer learning. Results: The rate of success of the images used in the training is 94.70%. The success rate in the estimation of the images allocated for the test not used in the training is 75%. Conclusion: Success rates increase as the data set increases in deep learning techniques. The success rate in the training models will increase of data set which will be formed with more images. Future studies should be done with larger data sets. KEYWORDS Panoramic radiography, deep learning, artificial intelligence Background: The aim of this study is to develop and evaluate the function of computer based diagnostic software designed to evaluate tooth deficiency in panoramic radiography. Methods: The data set consists of 153 images, including 99 complete teeth and 54 missing teeth for detection of tooth deficiency. All images were re-checked and verified by dental radiologists. All images in the data set were resized to 971 X 474 pixels prior to training. A random sequence was created using open-source python programming language and OpenCV, NumPy, Pandas, and Matplotlib libraries. A pre-trained Google Net Inception v3 CNN network was used for pre-processing and data sets were trained using transfer learning. Results: The rate of success of the images used in the training is 94.70%. The success rate in the estimation of the images allocated for the test not used in the training is 75%. Conclusion: Success rates increase as the data set increases in deep learning techniques. The success rate in the training models will increase of data set which will be formed with more images. Future studies should be done with larger data sets. KEYWORDS Panoramic radiography, deep learning, artificial intelligence Background: The aim of this study is to develop and evaluate the function of computer based diagnostic software designed to evaluate tooth deficiency in panoramic radiography. Methods: The data set consists of 153 images, including 99 complete teeth and 54 missing teeth for detection of tooth deficiency. All images were re-checked and verified by dental radiologists. All images in the data set were resized to 971 X 474 pixels prior to training. A random sequence was created using open-source python programming language and OpenCV, NumPy, Pandas, and Matplotlib libraries. A pre-trained Google Net Inception v3 CNN network was used for pre-processing and data sets were trained using transfer learning. Results: The rate of success of the images used in the training is 94.70%. The success rate in the estimation of the images allocated for the test not used in the training is 75%. Conclusion: Success rates increase as the data set increases in deep learning techniques. The success rate in the training models will increase of data set which will be formed with more images. Future studies should be done with larger data sets. KEYWORDS Panoramic radiography, deep learning, artificial intelligence
Background: The aim of this study is to develop and evaluate the function of computer based diagnostic software designed to evaluate tooth deficiency in panoramic radiography. Methods: The data set consists of 153 images, including 99 complete teeth and 54 missing teeth for detection of tooth deficiency. All images were re-checked and verified by dental radiologists. All images in the data set were resized to 971 X 474 pixels prior to training. A random sequence was created using open-source python programming language and OpenCV, NumPy, Pandas, and Matplotlib libraries. A pretrained Google Net Inception v3 CNN network was used for preprocessing and data sets were trained using transfer learning. Results: The rate of success of the images used in the training is 94.70%. The success rate in the estimation of the images allocated for the test not used in the training is 75%. Conclusion: Success rates increase as the data set increases in deep learning techniques. The success rate in the training models will increase of data set which will be formed with more images. Future studies should be done with larger data sets. KEYWORDS Panoramic radiography, deep learning, artificial intelligence