Diş görüntüleri üzerinde görüntü işleme ve derin öğrenme yöntemleri kullanılarak çürük seviyesinin sınıflandırılması
| dc.contributor.advisor | Adem, Kemal | |
| dc.contributor.author | Ünsal, Ümran | |
| dc.date.accessioned | 2023-01-26T05:54:17Z | |
| dc.date.available | 2023-01-26T05:54:17Z | |
| dc.date.issued | 2022 | |
| dc.date.submitted | 2022-09-30 | |
| dc.department | Sosyal Bilimler Enstitüsü | |
| dc.description.abstract | Ağızda bulunan bakterilerin ürettiği asitler dişlerin mineral dokusunu bozarak diş çürüklerine neden olmaktadır. Zamanla kişilerin ağzında bakteriler birikir ve bu bakteriler gıdalarla birleşir. Ağız bakımına yeterli özen gösterilmediğinde diş minesi zarar görür ve diş çürümeleri gerçekleşir. Yakın bir döneme kadar kökü iltihaplanmış hasta dişler, diğer bölgelere zarar vermemesi amacıyla çekilmekteydi. Fakat gelişen görüntüleme teknikleri sayesinde diş çekimi yapılmadan uygulanan tedavilerin sayısı ve başarı oranı hızla artmıştır. Diş çürükleri insanların hayatlarını olumsuz yönde etkilemektedir. Bu çalışmada röntgen görüntüleri üzerinde diş çürüklerinin hızlı bir şekilde tespit edilerek hastaların diş kayıplarının minimuma indirilmesi amaçlanmaktadır. Diş görüntüleri ile derin öğrenme modelleri kullanılarak uygulanan tedavi yöntemleri dolgu, kanal, köprü sınıflarına ayrılmıştır. Ayrıca diş görüntülerine ön işlem olarak luv-v kanalı ve adaptif histogram eşitleme işlemi uygulanarak derin öğrenme modellerinin performanslarının artırılması amaçlanmıştır. 553 tane diş röntgeninden oluşan veri seti üzerinde yapılan segmentasyon işlemlerinin ardından, derin öğrenme modellerinden Faster R-CNN ve Yolov5 modelleri ile deneysel çalışmalar gerçekleştirilmiştir. Yapılan deneysel çalışmalar sonucunda; Faster R-CNN %86.7 doğruluk değerine ulaşılırken, Yolov5 modelinde ise %92.7 oranında doğruluk oranına ulaşılmıştır. Görüntü işleme ve Yolov5 hibrit modelinin uygulanması sonucunda elde edilen karar destek sistemi diş kliniklerinde kullanılabilecektir. | |
| dc.description.abstract | The acids produced by the bacteria in the mouth cause dental caries by disrupting the mineral tissue of the teeth. Over time, bacteria accumulate in the mouth of people and these bacteria combine with food. When adequate care is not given to oral care, tooth enamel is damaged and tooth decay occurs. Until recently, infected teeth were extracted in order not to damage other areas. However, thanks to developing imaging techniques, the number and success rate of treatments applied without tooth extraction has increased rapidly. Tooth decay affects people's lives negatively. In this study, it is aimed to quickly detect dental caries on x-ray images and to minimize the tooth loss of the patients. Treatment methods applied using dental images and deep learning models are divided into filling, canal and bridge classes. In addition, it is aimed to increase the performance of deep learning models by applying the Luv-v channel and adaptive histogram equalization process as a preprocessing to tooth images. After segmentation processes on the data set consisting of 553 dental x-rays, experimental studies were carried out with Faster R-CNN and Yolov5 models, which are deep learning models. As a result of the experimental studies; while Faster R-CNN reached %86.7 accuracy, Yolov5 model achieved %92.7 accuracy. The decision support system obtained as a result of image processing and application of the Yolov5 hybrid model can be used in dental clinics. | |
| dc.identifier.uri | https://hdl.handle.net/20.500.12451/10106 | |
| dc.language.iso | tr | |
| dc.publisher | Aksaray Üniversitesi Sosyal Bilimler Enstitüsü | |
| dc.relation.publicationcategory | Tez | |
| dc.rights | info:eu-repo/semantics/openAccess | |
| dc.subject | Panoramik Röntgen | |
| dc.subject | Kanal | |
| dc.subject | Dolgu | |
| dc.subject | Köprü | |
| dc.subject | Derin Öğrenme | |
| dc.subject | Görüntü İşleme | |
| dc.subject | Panoramic X-Ray | |
| dc.subject | Canal | |
| dc.subject | Filling | |
| dc.subject | Bridge | |
| dc.subject | Deep Learning | |
| dc.subject | Image Processing | |
| dc.title | Diş görüntüleri üzerinde görüntü işleme ve derin öğrenme yöntemleri kullanılarak çürük seviyesinin sınıflandırılması | |
| dc.title.alternative | Classification of caries level using image processing and deep learning methods on dental images | |
| dc.type | Master Thesis |
