Ağız İçi Görüntülerin Derin Öğrenme İle Analizi: CNN Modellerinin Sınıflandırma Performansı

Authors : Sena Çelik

Pages : 704-714

Doi:10.34248/bsengineering.1632697

View : 76 | Download : 97

Publication Date : 2025-05-15

Article Type : Research Paper

Abstract :Ağız içi görüntülerin sınıflandırılması, özellikle gelişmiş görüntüleme teknolojileri ve yapay zekanın (AI) ortaya çıkmasıyla birlikte, modern diş teşhisinin kritik bir yönüdür. Transfer öğrenme ve topluluk tekniklerinin entegrasyonu, bu amaçla tasarlanan modellerin performansını artırmada ümit verici sonuçlar göstermiştir. Bu çalışmada, ResNet152V2, DenseNet201, InceptionResNetV2, ConvNeXtBase ve Xception gibi derin öğrenme modelleri tek tek ve topluluk modeli olarak test edilmiştir. Kullanılan veri seti, farklı yaş gruplarından bireylerin ağız içi görüntülerini içermektedir. Modellerin eğitimi ve değerlendirilmesi aşamalarında veri ön işleme, normalizasyon ve ince ayar (fine-tuning) gibi teknikler uygulanmıştır. Doğruluk, kesinlik, duyarlılık, F1 skoru ve ROC-AUC gibi metrikler kullanılarak performans analizleri gerçekleştirilmiştir. Sonuçlar, ResNet152V2 + DenseNet201 topluluk modelinin en yüksek doğruluk oranına (%89,9) ve 0,9934 ROC-AUC değerine ulaştığını göstermektedir. Bu bulgular, derin öğrenme tabanlı yaklaşımların diş hekimliği uygulamalarında otomatik teşhis, tedavi planlaması ve uzaktan hasta değerlendirme gibi alanlarda büyük potansiyele sahip olduğunu ortaya koymaktadır. Ayrıca, diş morfolojisi ve çene yapılarının analizi için yapay zeka tabanlı sistemlerin geliştirilmesi, klinik süreçleri hızlandırarak diş hekimlerine karar destek mekanizmaları sağlayabilir. Gelecekteki çalışmalar, daha büyük ve çeşitli veri setleri kullanarak modelin genelleme yeteneğini artırmaya odaklanmalıdır.
Keywords : Derin öğrenme, Ağız içi görüntü analizi, CNN modelleri, Diş sınıflandırma

ORIGINAL ARTICLE URL