Derin öğrenme yöntemi ile panoramik radyografiden diş eksikliklerinin tespiti: Bir yapay zekâ pilot çalışması
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
___
- 1. Srivastava MM, Kumar P, Pradhan L, Varadarajan S. Detection of Tooth caries in Bitewing Radiographs using Deep Learning. arXiv preprint arXiv:171107312. 2017.
2. Valizadeh S, Goodini M, Ehsani S, Mohseni H, Azimi F, Bakhshandeh H. Designing of a computer software for detection of approximal caries in posterior teeth. Iranian Journal of Radiology. 2015;12(4).
3. Wang S, Summers RM. Machine learning and radiology. Medical image analysis. 2012;16(5):933-51.
4. Ali RB, Ejbali R, Zaied M, editors. Detection and classification of dental caries in x-ray images using deep neural networks. Int Conf on Software Engineering Advances (ICSEA); 2016.
5. Mahdianpari M, Salehi B, Rezaee M, Mohammadimanesh F, Zhang Y. Very deep convolutional neural networks for complex land cover mapping using multispectral remote sensing imagery. Remote Sensing. 2018;10(7):1119.
6. Lakhani P, Sundaram B. Deep learning at chest radiography: automated classification of pulmonary tuberculosis by using convolutional neural networks. Radiology. 2017;284(2):574-82.
7. El-Damanhoury HM, Fakhruddin KS, Awad MA. Effectiveness of teaching International Caries Detection and Assessment System II and its e-learning program to freshman dental students on occlusal caries detection. European journal of dentistry. 2014;8(4):493.
8. Lehman CD, Wellman RD, Buist DS, Kerlikowske K, Tosteson AN, Miglioretti DL. Diagnostic accuracy of digital screening mammography with and without computer-aided detection. JAMA internal medicine. 2015;175(11):1828-37.
9. Lee J-H, Kim D-h, Jeong S-N, Choi S-H. Diagnosis and prediction of periodontally compromised teeth using a deep learning-based convolutional neural network algorithm. Journal of periodontal & implant science. 2018;48(2):114-23.
10. Szegedy C, Vanhoucke V, Ioffe S, Shlens J, Wojna Z, editors. Rethinking the inception architecture for computer vision. Proceedings of the IEEE conference on computer vision and pattern recognition; 2016.