Derin öğrenme ile radyografik diş görüntülerinin segmentasyonunda görüntü ön işleme yöntemlerinin etkisinin araştırılması

Abstract

Diş hekimleri, ağız ve diş sağlığına ilişkin hastalıkların tespitinde çeşitli görüntüleme tekniklerinden yararlanmaktadır. Ancak elde edilen görüntülerde artefaktlar, bulanıklık ve aydınlatma sorunları gibi unsurlar, yorumlamayı ve otomatik analiz süreçlerini olumsuz yönde etkileyebilmektedir. Bu tez çalışmasında, panoramik diş radyografilerinin bölütleme performansını artırmaya yönelik yenilikçi, alan tabanlı bir çerçeve önerilmektedir. Önerilen çerçeve; ön işleme, ilgi alanı çıkarımı, görüntülerin bölünmesi, U-Net tabanlı segmentasyon ve son işleme olmak üzere beş temel aşamadan oluşmaktadır. Ön işleme adımında, geleneksel ve karma yaklaşımlar dâhil olmak üzere toplam 14 yöntem uygulanmış, bu yöntemlerin segmentasyon ile entegrasyonu sistematik biçimde incelenmiştir. Analizler sonucunda en başarılı bulunan üç yöntem, orijinal panoramik radyografilere uyarlanmıştır. İlgi alanı çıkarımıyla elde edilen ilgi bölgeleri, 512×512 boyutlu yama yapılarına ayrılarak modele giriş için uygun hale getirilmiştir. Segmentasyon aşamasında, her bir yama ResNet50, VGG19 ve EfficientNetB4 omurga ağılarını temel alan özel U-Net mimarileri ve klasik U-Net modeli kullanılarak işlenmiştir. Son aşamada ise tahmin edilen yamalar birleştirilerek bütünsel maskeler elde edilmiştir. Önerilen çerçevenin etkinliği, Tufts Diş Veritabanı üzerinde gerçekleştirilen deneyler ileortaya konulmuştur. Sonuçlar, geliştirilen çerçevenin segmentasyon başarımını anlamlı düzeyde iyileştirdiğini kanıtlamaktadır. Özellikle EfficientNetB4 tabanlı U-Net mimarisinin, panoramik diş radyografilerinin segmentasyonunda diğer yaklaşımlara kıyasla daha yüksek performans sergilediği belirlenmiştir. Elde edilen bulgular, diş görüntülerinin kalitesinin segmentasyon performansı üzerindeki etkisini vurgulamakta ve önerilen çerçevenin, diş radyografilerinin otomatik analizi için önemli bir katkı sağlayacağını göstermektedir.Dentists use various imaging techniques to diagnose diseases related to oral and dental health. However, elements such as artifacts, blurring, and lighting issues in the obtained images can negatively affect interpretation and automatic analysis processes. In this thesis study, an innovative, domain-based framework is proposed to improve the segmentation performance of panoramic dental radiographs. The proposed framework consists of five main stages: preprocessing, region of interest extraction, image segmentation, U-Net-based segmentation, and postprocessing. In the preprocessing step, a total of 14 methods, including traditional and hybrid approaches, were applied, and the integration of these methods with segmentation was systematically investigated. The three most successful methods were adapted to the original panoramic radiographs. The regions of interest obtained through region of interest extraction were divided into 512×512 patch structures to make them suitable for input into the model. During the segmentation phase, each patch was processed using custom U-Net architectures based on ResNet50, VGG19, and EfficientNetB4 backbones, as well as the classic U-Net model. In the final phase, the predicted patches were combined to obtain holistic masks. The effectiveness of the proposed framework was demonstrated through experiments conducted on the Tufts Dental Database. The results show that the developed framework significantly improves segmentation performance. In particular, it was determined that the EfficientNetB4-based U-Net architecture exhibits higher performance in the segmentation of panoramic dental radiographs compared to other approaches. The findings emphasize the impact of dental image quality on segmentation performance and demonstrate that the proposed framework will make a significant contribution to the automatic analysis of dental radiographs.