Akademik Veri Yönetim Sistemi
27. TÜRK DİŞHEKİMLERİ BİRLİĞİ ULUSLARARASI DİŞHEKİMLİĞİ KONGRESİ, Ankara, Türkiye, 26 - 29 Ekim 2023, cilt.13, sa.1, ss.413, (Özet Bildiri)
AMAÇ: Son yıllarda popülaritesi giderek artan yapay zekâ destekli sistemler diş hekimliğinde de hekimlere yardımcı olmak için kullanılmaktadır. Bu çalışmanın amacı, derin öğrenme yöntemleriyle geliştirilen bir yapay zekâ algoritması kullanılarak dijital bitewing radyografiler üzerinde otomatik diş tespiti ve numaralandırmanın gerçek zamanlı tanısal etkinliğinin değerlendirilmesidir.
GEREÇ VE YÖNTEM: Bu çalışma için Kırıkkale Üniversitesi Diş Hekimliği Fakültesi veri tabanından 1170 adet dijital bitewing radyografi dâhil edilme kriterleri çerçevesinde elde edilmiştir. Phyton programlama dilinde geliştirilmiş etiketleme yazılımı kullanılarak kaydedilen görüntüler üzerinde Restoratif Diş Tedavisi uzmanlarının fikir birliğine dayanan etiketlemeler yapılmıştır. Görüntüler rastgele olarak 1000 adeti (≌85%) eğitim ve 170 adeti (≌15%) test olmak üzere veri setlerine ayrılmıştır. Eğitimin ilk aşamasında, numaralandırmanın başarısını artırmak için veri seti bir CNN mimarisi kullanılarak sağ ve sol taraf olarak ikiye ayrılmıştır. Daha sonra, YOLOv7 modelinin eğitimi gerçekleştirilmiştir. Son aşamada diş tespiti ve numaralandırması için geliştirilmiş olan modelin başarısı, performans metrikleri kullanılarak değerlendirilmiştir.
BULGULAR: 170 adet dijital bitewing radyografiden oluşan test veri setinde 1679 diş ve 1679 numaralandırma etiketi bulunmaktadır. YOLOv7 modeli ile numaralandırma için elde edilen duyarlılık, kesinlik ve F1-skor değerleri sırasıyla 0.975, 0.976 ve 0.975 ‘tir.
SONUÇ: Derin öğrenme mimarisine dayalı yapay zekâ algoritmalarından bir tanesi olan YOLOv7 modelinin gerçek zamanlı diş tespit ve numaralandırma performansı oldukça tatmin edici sonuçlar göstermektedir. Gelecekte, yapay zekâ algoritmalarının tanı ve tedavi için değerli bir araç olarak klinik pratikte yerini alacağı öngörülmektedir.
Anahtar Kelimeler: Derin öğrenme; Dijital bitewing radyografi; Numaralandırma
INTRODUCTION: Artificial intelligence-assisted systems, which have become increasingly popular in recent years, are also being used in dentistry to assist dental practitioners. The aim of this study is to evaluate the realtime diagnostic efficiency of automatic tooth detection and numbering on digital bitewing radiographs using an artificial intelligence algorithm developed with deep learning methods.
MATERIAL AND METHOD: For this study, 1170 digital bitewing radiographs were obtained from the Kırıkkale University Faculty of Dentistry database within the framework of inclusion criteria. The images were labeled based on the consensus of Restorative specialists using a labeling software developed in the Python programming language. The images were randomly split into datasets, with approximately 85% ( n = 1000) for training and approximately 15% ( n = 170) for testing. In the initial phase of the training, the data set was divided into right and left sides using a CNN architecture to increase the success of numbering performance. After this phase, the training of the YOLOv7 model was performed. In the final phase, the success of the model developed for tooth detection and numbering was evaluated using performance metrics.
RESULTS: The test dataset consists of 170 digital bitewing radiographs, containing 1679 teeth and 1679 numbering labels. The sensitivity, precision and F1-score values obtained for numbering with the YOLOv7 model were 0.975, 0.976 and 0.975, respectively.
CONCLUSION: The real-time tooth detection and numbering performance of the YOLOv7 model, which is one of the artificial intelligence algorithms based on deep learning architecture, shows very satisfactory results. In the future, it is projected that artificial intelligence algorithms will find their place in clinical practice, serving as a valuable tool for diagnosis and treatment.
Keywords: Deep learning; Digital bitewing radiography; Numbering