İNTRAORAL GÖRÜNTÜLERDE DERİN ÖĞRENME TABANLI ÇOK SINIFLI DENTAL BULGULARIN SEGMENTASYONU

Creative Commons License

Şahiner H., Taştan E. D., Bayrakdar İ. Ş.

TDB 29.ULUSLARARASI DİŞHEKİMLİĞİ KONGRESİ, İstanbul, Türkiye, 1 - 04 Ekim 2026, ss.126, (Özet Bildiri)

  • Yayın Türü: Bildiri / Özet Bildiri
  • Basıldığı Şehir: İstanbul
  • Basıldığı Ülke: Türkiye
  • Sayfa Sayıları: ss.126
  • Eskişehir Osmangazi Üniversitesi Adresli: Evet

Özet

AMAÇ:İntraoral fotoğraflarda sık görülen dental bulguların çok sınıflı ve otomatik olarak segmente edilmesinde bir derin öğrenme modelinin performansının değerlendirilmesi amaçlanmıştır.

GEREÇ VE YÖNTEM:Çalışmada, amalgam dolgu, çürük, kompozit dolgu, dental kalkulus, dental plak, dişsiz alan, eksternal renklenme, fissür sealant, mine hipoplazisi, rezidüel kök ve beyaz nokta lezyonu olmak üzere 11 sınıfın etiketlendiği 4332 intraoral fotoğraf ve 42802 etiketten oluşan bir veri seti kullanılmıştır. Veri seti %80 eğitim (3482 görüntü, 34020 etiket), %10 doğrulama (429 görüntü, 4467 etiket) ve %10 test (421 görüntü, 4315 etiket) olarak ayrılmıştır. Segmentasyon için YOLOv8x-seg mimarisi, 1280 piksel görüntü boyutu, MuSGD optimizasyon algoritması ve 0,01 öğrenme oranı ile 800 epok boyunca eğitilmiştir. Performans, doğruluk, mAP, Dice katsayısı ve Jaccard indeksi (IoU) ile değerlendirilmiştir.

BULGULAR:Test setinde 1958 doğru pozitif, 1665 yanlış pozitif ve 2357 yanlış negatif saptanmıştır. Genel doğruluk 0,3274, mAP@0,5 değeri 0,542 ve mAP@0,5:0,95 değeri 0,284 olarak hesaplanmıştır. Genel Dice katsayısı 0,3064, genel Jaccard indeksi ise 0,2628 bulunmuştur. Sınıf bazında en yüksek performans amalgam dolgu (Dice: 0,588, IoU: 0,535) ve fissür sealant (Dice: 0,506, IoU: 0,448) sınıflarında elde edilirken, en düşük performans dental kalkulus (Dice: 0,138, IoU: 0,113) ve dental plak (Dice: 0,147, IoU: 0,118) sınıflarında gözlenmiştir.

SONUÇ:YOLOv8x-seg tabanlı model, belirgin sınır ve homojen radyoopasiteye sahip dental bulgularda tatmin edici segmentasyon performansı gösterirken, düşük kontrastlı ve değişken morfolojiye sahip bulgularda performans belirgin

şekilde düşmektedir. Sınıf dengesizliği ve görsel benzerlik, genel doğruluğu sınırlayan başlıca etmenler olarak değerlendirilmiştir. Daha büyük ve dengeli veri setleri ile ileri model optimizasyonlarının klinik uygulanabilirliği artırabileceği düşünülmektedir.

Anahtar Kelimeler: İntraoral fotoğraf; derin öğrenme; segmentasyon