TY  - JOUR
T1  - Panoramik Radyograflarda Anatomik Yer İşaretlerinin Yapay Zeka Destekli Otomatik Tespiti
AU  - Özcan, Tayyip
AU  - Karayılan, Rümeysa
AU  - Yılmaz, Serkan
PY  - 2024
DA  - December
Y2  - 2024
JF  - Erciyes Üniversitesi Fen Bilimleri Enstitüsü Fen Bilimleri Dergisi
PB  - Erciyes Üniversitesi
WT  - DergiPark
SN  - 1012-2354
SP  - 535
EP  - 558
VL  - 40
IS  - 3
LA  - tr
AB  - Bilişim çağı ve yapay zekayla beraber bilgisayar bilimi diğer bilim dalları ile bir arada yürütülmeye başlamıştır ve ihtiyaç doğrultusunda bu çalışmalar artmaktadır. Radyolojik inceleme alanında da bilgisayar bilimi önemini gün geçtikçe arttırmaktadır. Panoramik radyografi de bu anlamda önemli alanlardan birisidir. Genç hekimlerin ve hekim adaylarının herhangi bir teşhis koyarken klinik tecrübe yetersizliğinin olması gibi olumsuz durumlardan dolayı panoramik radyografiler için bir karar destek programı oluşturulması amaçlanmıştır. Bu çalışmada, farklı YOLO (You Only Look Once) modelleri kullanılarak panoramik radyografi üzerindeki anatomik yer işaretlerinin tespitinin otomatik olarak gerçekleştirmesi ve karşılaştırmalar sonucunda en iyi tespit sağlayan modele karar verilmesi sağlanmıştır. Çeşitli internet sitelerinden elde edilen panoramik radyografi görüntülerinden oluşan veri setlerinin birleşimi kullanılmıştır. Toplam 14 anatomik yer işaretinin otomatik tespiti yapılmıştır. Sonuçta kullanılan performans metriğine göre YOLOv5 için 0.790, YOLOv8 için 0.802, YOLOv11 için 0.810 değerlerine ulaşılmıştır. Modellerin performans değerleri karşılaştırıldığında, anatomik yer işaretlerinin otomatik tespiti için en uygun modelin YOLOv11 olduğu sonucuna varılmıştır.
KW  - Tıbbi Görüntü Analizi
KW  - Evrişimsel Sinir Ağları
KW  - Panoramik Radyografi
KW  - Anatomik Yer İşaretleri
KW  - YOLO
CR  - Pişiren A., 2020. Panoramik radyografi. (Web Sayfası: https://akinpisiren.com/panoramik-radyografi), 
(Erişim tarihi: Aralık 2023). 
 
[2] Duong, M. T., Rauschecker, A. M., Rudie, J. D., Chen, P. –H., Cook, T. S., Bryan, R. N., Mohan, S., 2019. “Artificial 
Intelligence for Precision Education in Radiology”,The British Journal of Radiology, 92, 20190389.
CR  - [3] Diyva, V. K., Jatti, A.. Meheraj S.P., Joshi, R., 2016, “Image Processing and Parameter Extraction of Digital 
Panoramic Dental X-rays with ImageJ”, International Conference on Computational Systems and Information 
Systems for Sustainable Solutions, 450-454.
CR  - [4] Li W., Lu Y., Zheng K., Liao H., Lin C., Luo J., Cheng C., Xiao J., Lu L., Kuo C., Miao S., 2020. Structured landmark 
detection via topology-adapting deep graph learning. Department of Computer Science, University of 
Rochester, Rochester, NY, USA, 2004.08190v6.
CR  - [5] Shahidi S, Bahrampour E, Soltanimehr E, Zamani A, Oshagh M, Moattari M, et al. The accuracy of a designed 
software for automated localization of craniofacial landmarks on CBCT images. BMC Med Imaging 
2014;14:32.
CR  - [6] Ayyıldız, H., Orhan, M., & Bilgir, E. (2024). Tooth numbering with polygonal segmentation on periapical 
radiographs: An artificial intelligence study. Clinical Oral Investigations, 28, 610. 
http://doi.org/10.1007/s00784-024-05999-3
CR  - [7] Rašić, M., Tropčić, M., Karlović, P., Gabrić, D., Subašić, M., & Knežević, P. (2023). Detection and segmentation 
of radiolucent lesions in the lower jaw on panoramic radiographs using deep neural networks.
CR  - [8] Widiasri, M., Suciati, N., Arifin, A. Z., Fatichah, C., Astuti, E. R., Indraswari, R., Putra, R. H., & Choiruzain. (2022). 
Dental-YOLO: Alveolar bone and mandibular canal detection on cone beam computed tomography Images for 
dental implant planning.
CR  - [9] Zeren, M., Arslankaya, S., Altuntaş, Y., Cam, N., Kırelli, Y., Özdemir, M., (2023). doctors versus YOLO: 
comparison between YOLO algorithm, orthopedic and traumatology resident doctors and general 
practitioners on detection of proximal femoral fractures on X-ray images with multi methods.  International 
Journal of Artificial Intelligence Tools, 1-24. http://dx.doi.org/10.1142/S0218213023500562
CR  - [10] Almufareh, M. F., Khan, A., Imran, M., Humayun, M., & Asim, M. (2023). Automated Brain Tumor Segmentation 
and Classification in MRI Using YOLO-Based Deep Learning. Jouf University, Saudi Arabia.
CR  - [11] Lu, Y., Li, K., Pu, B., Tan, Y., Zhu, N., (2024).  A YOLOX-based deep instance segmentation neural network for 
cardiac anatomical structures in fetal ultrasound images. IEEE/ACM Transactions on Computational Biology 
and Bionformatics, 21 (4), 1007-1018.
CR  - [12] Bochkovskiy, A., Wang, C.-Y., & Liao, H.-Y. M. (2020). YOLOv4: Optimal speed and accuracy of object detection. 
https://arxiv.org/abs/2004.10934
CR  - [13] Meel, A., 2021. Guide to the model & its controversy. (https://viso.ai/computer-vision/yolov5-controversy/), 
(Kasım 2024).
CR  - [14] Çağıl, H., 2009. Serbest Çalışan Diş Hekimlerinin Kullandıkları Radyografik Teknik ve Ekipmanları bitirme 
tezi. İzmir: Ege Üniversitesi Diş Hekimliği Fakültesi Oral Diagnoz ve Radyoloji Anabilim Dalı.
UR  - https://dergipark.org.tr/tr/pub/erciyesfen/article/1587378
L1  - https://dergipark.org.tr/tr/download/article-file/4375710
ER  -