Panoramik Radyograflarda Diş Tiplerinin Sınıflandırılması için Derin Öğrenme Yöntemlerinin Karşılaştırılması

Öz

Diş tipi sınıflandırması teşhis, tedavi ve planlamada rutin olarak gerçekleştirilir. Dijital diş hekimliğine doğru, zaman alan geleneksel yaklaşımlar yerine işlemlerin otomatik olarak gerçekleştirilmesi değerlidir. Bu çalışma, diş tiplerini sınıflandırmak için yeni bir derin öğrenme modeli önermektedir. Bu çalışma, diş türlerini sınıflandırmak için yeni bir model olan ZNet'i önermekte ve performansını önde gelen derin öğrenme modelleriyle karşılaştırmaktadır. Panoramik görüntülerdeki diş türleri kesici, köpek, premolar ve molar olmak üzere 4 sınıfa ayrılmıştır. Bu çalışmada ResNet-50, VGG-19, EfficientNet, Densenet, Inception, Xception ve önerilen ZNet olmak üzere 7 farklı derin öğrenme modelinin performansı incelenmiştir. Model performansları Accuracy, Precision, Recall ve F1-score metrikleri kullanılarak değerlendirilmiştir. Önerilen model ZNet için Doğruluk, Kesinlik, Geri Çağırma ve F1-skoru sırasıyla %95,79, %84,10, %94,80 ve %87,60'tır. Önerilen model diğerlerinden daha iyi performans göstermiştir. Bulgular, derin öğrenme modellerinin diş türlerinin sınıflandırılmasında doğru tahminler sağlayan güvenilir araçlar olduğunu göstermiştir.

Anahtar Kelimeler

• diş
• sınıflandırma
• yapay zeka
• derin öğrenme
• panoramik radyografi

Panoramik Radyograflarda Diş Tiplerinin Sınıflandırılması için Derin Öğrenme Yöntemlerinin Karşılaştırılması

Öz

Tooth type classification is routinely performed in diagnosis, treatment, and planning. Towards digital dentistry, it is valuable to perform processes automatically instead of time-consuming conventional approaches. This work suggests a novel deep learning model to classify tooth types. This study proposes a new model, ZNet, for classifying tooth types and compares its performance with the leading deep learning models. The tooth types in panoramic images are categorized into 4 classes: incisor, canine, premolar and molar. This study investigates the performance of 7 different deep learning models, namely ResNet-50, VGG-19, EfficientNet, Densenet, Inception, Xception and the proposed ZNet. Model performances are evaluated using Accuracy, Precision, Recall and F1-score metrics. Accuracy, Precision, Recall and F1-score for the proposed model ZNet are 95.79%, 84.10%, 94.80% and 87.60% respectively. The proposed model outperformed the others. Findings showed deep learning models have been shown to be reliable tools providing accurate predictions in the classification of tooth types.

Anahtar Kelimeler

• teeth
• classification
• artificial intelligence
• deep learning
• panoramic radiograph

Kaynakça

1. [1] Mohammad-Rahimi, H, Rokhshad, R, Bencharit, S, Krois, J, & Schwendicke, F “Deep learning: a primer for dentists and dental researchers”, J Dent 130:104430, 2023.
2. [2] Park, W, Huh, J. K, & Lee, J H, “Automated deep learning for classification of dental implant radiographs using a large multi-center dataset”, Sci Rep 13(1):4862, 2023
3. [3] de Queiroz Tavares Borges Mesquita, G, Vieira, W A, Vidigal, M T C, Travençolo, B A N, Beaini, T L, Spin-Neto, R, ... & de Brito Júnior, R B, “Artificial Intelligence for Detecting Cephalometric Landmarks: A Systematic Review and Meta-analysis”, J Digit Imaging 36(3):1158-1179, 2023
4. [4] Panetta, K, Rajendran, R, Ramesh, A, Rao, S P, & Agaian, S, “Tufts dental database: a multimodal panoramic x-ray dataset for benchmarking diagnostic systems”, IEEE J Biomed Health 26(4):1650-1659, 2021
5. [5] Huang, C, Wang, J, Wang, S, & Zhang, Y, “A review of deep learning in dentistry”, Neurocomputing 554:126629, 2023
6. [6] Çelik, B, Savaştaer, E F, Kaya, H I, & Çelik, M E, “The role of deep learning for periapical lesion detection on panoramic radiographs”, Dentomaxillofac Rad 52(8):20230118, 2023.
7. [7] Mohammad-Rahimi, H, Motamedian, S R, Rohban, M H, Krois, J, Uribe, S E, Mahmoudinia, E, ... & Schwendicke, F, “Deep learning for caries detection: A systematic review.”, J Dent 122:104115, 2022.
8. [8] Jung, W, Lee, K E, Suh, B J, Seok, H, & Lee, D W, “Deep learning for osteoarthritis classification in temporomandibular joint”, Oral Dis 29(3):1050-1059, 2023

9. [9] Umer, F, Habib, S, & Adnan, N, “Application of deep learning in teeth identification tasks on panoramic radiographs”, Dentomaxillofac Rad 51(5):20210504, 2022.
10. [10] Çelik, B, & Çelik, M E, “Automated detection of dental restorations using deep learning on panoramic radiographs”, Dentomaxillofac Rad 51(8):20220244, 2022.
11. [11] Celik, M E, “Deep learning based detection tool for impacted mandibular third molar teeth”, Diagnostics 12(4):942, 2022
12. [12] Çelik, B, & Çelik, M E, “Root Dilaceration Using Deep Learning: A Diagnostic Approach”, Appl Sci-Basel 13(14):8260, 2023
13. [13] Sathya, B, & Neelaveni, R, “Transfer learning based automatic human identification using dental traits-an aid to forensic odontology”, J Forensic Leg Med 76:102066, 2020.
14. [14] Krois, J, Garcia Cantu, A, Chaurasia, A, Patil, R, Chaudhari, P K, Gaudin, R, ... & Schwendicke, F, “Generalizability of deep learning models for dental image analysis”, Sci Rep 11(1):6102, 2021
15. [15] Li, Z, Wang, S H, Fan, R R, Cao, G, Zhang, Y D, & Guo, T, “Teeth category classification via seven‐layer deep convolutional neural network with max pooling and global average pooling”, International Journal of Imaging Systems and Technology 29(4):577-583, 2019
16. [16] Estai, M, Tennant, M, Gebauer, D, Brostek, A, Vignarajan, J, Mehdizadeh, M, & Saha, S, “Deep learning for automated detection and numbering of permanent teeth on panoramic images”, Dentomaxillofac Rad 51(2):20210296, 2022
17. [17] Muramatsu, C, Morishita, T, Takahashi, R, Hayashi, T, Nishiyama, W, Ariji, Y, ... & Fujita, H, “Tooth detection and classification on panoramic radiographs for automatic dental chart filing: improved classification by multi-sized input data”, Oral Radiol 37:13-19, 2021.
18. [18] Tuzoff, D V, Tuzova, L N, Bornstein, M M, Krasnov, A S, Kharchenko, M A, Nikolenko, S I, ... & Bednenko, G B, “Tooth detection and numbering in panoramic radiographs using convolutional neural networks”, Dentomaxillofac Rad 48(4):20180051, 2019.
19. [19] Kılıc, M. C, Bayrakdar, I S, Çelik, Ö, Bilgir, E, Orhan, K, Aydın, O B, ... & Yılmaz, A B, “Artificial intelligence system for automatic deciduous tooth detection and numbering in panoramic radiographs”, Dentomaxillofac Rad 50(6):20200172, 2021.