@article{article_1551005, title={Dental radyografi görüntülerinin sınıflandırılmasına yönelik hibrit ConvViT modeli}, journal={Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi}, volume={40}, pages={2071–2086}, year={2025}, DOI={10.17341/gazimmfd.1551005}, author={Utku, Anıl}, keywords={Dental radyografi, CNN, ViT, önceden eğitilmiş modeller, derin öğrenme}, abstract={Dental radyografi, diş hekimliği alanında önemli bir tanı aracı olarak kullanılmaktadır. Dental radyografi, dişlerin, çenenin ve bu dili çevreleyen yapıların ayrıntılı bir şekilde görüntülenmesini sağlar. Diş radyografileri, teşhis ve tedavi amacıyla diş hekimleri tarafından manuel olarak yorumlanmaktadır. Yapay zekâ yöntemleri, tanı ve sınıflandırma gibi görüntülerle ilgili çeşitli süreçleri otomatikleştirmek amacıyla başarılı bir şekilde uygulanmaktadır. Bu çalışmada, dental radyografi görüntülerinden çürük, dolgu, gömülü diş, implant ve normal diş durumlarını tespit etmek amacıyla hibrit ConvViT modeli geliştirilmiştir. ConvViT, CNN ve ViT mimarilerinin avantajlarını bir araya getirerek dental radyografi görüntülerinin daha başarılı bir şekilde sınıflandırılmasını sağlamıştır. ConvViT, ResNet-50, VGG-16, EfficientNetB0 ve DenseNet201 gibi popüler önceden eğitilmiş derin öğrenme modelleriyle karşılaştırılmıştır. Deneysel sonuçlar, ConvViT’in %95 doğruluk, %95 kesinlik, %94 duyarlılık ve %94 F-skor ile karşılaştırılan modellere göre daha başarılı olduğunu göstermiştir. ConvViT, hibrit yapısı sayesinde hem yerel hem de uzun menzilli özellikleri etkili bir şekilde modelleyerek diş hekimliği alanında yapay zekâ tabanlı otomatik teşhis sistemlerinin geliştirilmesine önemli bir katkı sunmaktadır.}, number={3}, publisher={Gazi Üniversitesi}