Derleme
BibTex RIS Kaynak Göster

Diş Hekimliğinde Derin Öğrenme Teknolojileri: Güncel Uygulamalar ve Araştırma Trendleri

Yıl 2026, Cilt: 29 Sayı: 2 , 1 - 17 , 15.03.2026

Murat Can Şener , Hacer Karacan

https://doi.org/10.2339/politeknik.1726576
https://izlik.org/JA82XP95YD

Öz

Son yıllarda diş hekimliği uygulamalarında derin öğrenme teknolojilerinin kullanımı giderek artmakta ve bu alandaki araştırmalarda önemli ilerlemeler kaydedilmektedir. Bu çalışma, diş hekimliği alanında derin öğrenmeye dayalı görüntü işleme tekniklerini kapsamlı bir şekilde inceleyerek özellikle diş segmentasyonu ve sınıflandırma görevlerinde uygulanan modellerin performansına odaklanmaktadır. Yapılan analizler, U-Net, Mask R-CNN ve YOLO gibi mimarilerin diş radyografilerinde dişlerin, hastalıkların ve lezyonların tespitinde yüksek doğruluk sağladığını göstermektedir. 2020 ile 2025 yılları arasında gerçekleştirilen çalışmaları sistematik olarak inceleyen bu derleme, derin öğrenme yöntemlerinin klinik tanı ve tedavi süreçlerini geliştirme potansiyelini vurgulamakta ve otomatik diş görüntü analizinin artan önemini ortaya koymaktadır. Tartışma bölümünde, U-Net, Mask R-CNN ve YOLO mimarilerinin sık kullanımı ve başarıları detaylı şekilde değerlendirilmekte ve derin öğrenmeye dayalı yaklaşımların klinik iş akışlarına etkin bir şekilde entegre edilebileceği sonucuna varılmaktadır. Bu teknolojiler, diş patolojilerinin erken tanısında ve kişiselleştirilmiş tedavi planlarının geliştirilmesinde kritik bir rol oynamaktadır.

Anahtar Kelimeler

Diş segmentasyonu Diş sınıflandırması Derin öğrenme Panoramik radyografi Diş hekimliğinde yapay zeka uygulamaları

Kaynakça

  • [1] Mayo Clinic, '' Oral health: A window to your overall health'',https://www.mayoclinic.org/healthy-lifestyle/adult-health/in-depth/dental/art-20047475, (Access date: 28 April 2025).
  • [2] Di Spirito F., ''Oral and Systemic Health in the Elderly'', Applied Sciences, 12(22): 11718, (2022).
  • [3] Seitz M. W., Listl S., Bartols A., Schubert I., Blaschke K., Haux C. and Van Der Zande M. M., ''Current Knowledge on Correlations Between Highly Prevalent Dental Conditions and Chronic Diseases: An Umbrella Review'', Preventing Chronic Disease, 16: E132, (2019).
  • [4] GBD 2019 Diseases and Injuries Collaborators, "Global burden of 369 diseases and injuries in 204 countries and territories, 1990–2019: a systematic analysis for the Global Burden of Disease Study 2019", The Lancet, 396: 1204-1222, (2020).
  • [5] Helli S. and Hamamcı A., ''Tooth Instance Segmentation on Panoramic Dental Radiographs Using U-Nets and Morphological Processing'', Düzce Üniversitesi Bilim ve Teknoloji Dergisi, 10(1): 39–50, (2022).
  • [6] Hou S., Zhou T., Liu Y., Dang P., Lu H., Shi H., ''Teeth U-Net: A segmentation model of dental panoramic X-ray images for context semantics and contrast enhancement'', Computers in Biology and Medicine, 152(2): 106296, (2022).
  • [7] Karaoglu A., Ozcan C., Pekince A. And Yasa Y., ''Numbering teeth in panoramic images: A novel method based on deep learning and heuristic algorithm'', Engineering Science and Technology, an International Journal, 37(3): 101316, (2023).
  • [8] Durmuş M., Ergen B., Çelebi A. and Türkoğlu M., ''ResNet Tabanlı PSPNet Kullanarak Panoramik Görüntülerde Gömülü Diş Segmentasyon Analizi'', Fırat Üniversitesi Mühendislik Bilimleri Dergisi, 36(1): 159–166, (2024).
  • [9] Abdulwahhab A. H., Mahmood N. T., Mohammed A. A., Myderrizi I. and Al-Jumaili M. H., ''A review on medical image applications based on deep learning techniques'', Journal of Image and Graphics, 12(3): 215–227, (2024).
  • [10] Eker A. G. and Duru N., ''Medikal Görüntü İşlemede Derin Öğrenme Uygulamaları'', Acta Infologica, 5(2): 459–474, (2021).
  • [11] Darıcı, M., B., “Performance analysis of combination of cnn-based models with adaboost algorithm to diagnose covid-19 disease”, Journal of Polytechnic, 26(1): 179-190, (2023).
  • [12] Ünsal Ü. and Adem K., ''Diş Görüntüleri Üzerinde Görüntü İşleme ve Derin Öğrenme Yöntemleri Kullanılarak Çürük Seviyesinin Sınıflandırılması'', Uluslararası Sivas Bilim ve Teknoloji Üniversitesi Dergisi, 2(2): 30–53, (2023).
  • [13] Estai M., Tennant M., Gebauer D., Brostek A., Vignarajan J., Mehdizadeh M. and Saha S., ''Deep learning for automated detection and numbering of permanent teeth on panoramic images'', Dentomaxillofacial Radiology, 51(2): 20210296, (2022).
  • [14] Lee J. H., Han S. S., Kim Y. H., Lee C. and Kim I., ''Application of a fully deep convolutional neural network to the automation of tooth segmentation on panoramic radiographs'', Oral Surgery, Oral Medicine, Oral Pathology and Oral Radiology, 129(6): 635–642, (2020).
  • [15] Chung M., Lee M., Hong J., Park S., Lee J., Lee J., Yang I. H., Lee J. and Shin Y. G., ''Pose-aware instance segmentation framework from cone beam CT images for tooth segmentation'', Computers in Biology and Medicine, 120(11): 103720, (2020).
  • [16] Kong Z., Xiong F., Zhang C., Fu Z., Zhang M., Weng J. ve Fan M., ''Automated Maxillofacial Segmentation in Panoramic Dental X-Ray Images Using an Efficient Encoder-Decoder Network'', IEEE Access, 8: 207822-207833, (2020).
  • [17] Chen Y., Du H., Yun Z., Yang S., Dai Z., Zhong L., Feng Q. and Yang W., ''Automatic segmentation of individual tooth in dental CBCT images from tooth surface map by a multi-task FCN'', IEEE Access, 8: 97296–97309, (2020).
  • [18] Zhao Y., Li P., Gao C., Liu Y., Chen Q., Yang F. and Meng D., ''TSASNet: Tooth segmentation on dental panoramic X-ray images by two-stage attention segmentation network'', Knowledge-Based Systems, 206(8): 106338, (2020).
  • [19] Rao Y., Wang Y., Meng F., Pu J., Sun J. and Wang Q., ''A symmetric fully convolutional residual network with DCRF for accurate tooth segmentation'', IEEE Access, 8: 92028–92038, (2020).
  • [20] Cha J. Y., Yoon H. I., Yeo I. S., Huh K. H. and Han J. S., ''Panoptic Segmentation on Panoramic Radiographs: Deep Learning-Based Segmentation of Various Structures Including Maxillary Sinus and Mandibular Canal'', Journal of Clinical Medicine, 10(12): 2577, (2021).
  • [21] Chen Q., Zhao Y., Liu Y., Sun Y., Yang C., Li P., Zhang L. and Gao C., ''MSLPNet: Multi-scale location perception network for dental panoramic X-ray image segmentation'', Neural Computing and Applications, 33(19): 10277–10291, (2021).
  • [22] Duan W., Chen Y., Zhang Q., Lin X. and Yang X., ''Refined tooth and pulp segmentation using U-Net in CBCT image'', Dentomaxillofacial Radiology, 50(6): 20200251, (2021).
  • [23] Harsh P., Chakraborty R., Tripathi S. and Sharma K., ''Attention U-Net architecture for dental image segmentation'', 2021 International Conference on Intelligent Technologies (CONIT), Hubli, India, 1–5, (2021).
  • [24] Cui Z., Li C., Chen N., Wei G., Chen R., Zhou Y., Shen D. and Wang W., ''TSegNet: An efficient and accurate tooth segmentation network on 3D dental model'', Medical Image Analysis, 69: 101949, (2021).
  • [25] Yang Y., Xie R., Jia W., Chen Z., Yang Y., Xie L. And Jiang B., ''Accurate and automatic tooth image segmentation model with deep convolutional neural networks and level set method'', Neurocomputing, 419: 108–125, (2021).
  • [26] Ghazvinian Zanjani F., Pourtaherian A., Zinger S., Anssari Moin D., Claessen F., Cherici T., Parinussa S. and de With P. H. N., ''Mask-MCNet: Tooth instance segmentation in 3D point clouds of intra-oral scans'', Neurocomputing, 453: 286–298, (2021).
  • [27] Ying S., Wang B., Zhu H., Liu W. and Huang F., ''Caries segmentation on tooth X-ray images with a deep network'', Journal of Dentistry, 119: 104076, (2022).
  • [28] da Silva Rocha E. and Endo P. T., ''A comparative study of deep learning models for dental segmentation in panoramic radiograph'', Applied Sciences, 12(6): 3103, (2022).
  • [29] Bayrakdar I. S., Orhan K., Çelik Ö., Bilgir E., Sağlam H., Kaplan F. A., Görür S. A., Odabaş A., Aslan A. F. and Różyło-Kalinowska I., ''A U-Net approach to apical lesion segmentation on panoramic radiographs'', BioMed Research International, 2022: 7035367, (2022).
  • [30] Rohrer C., Krois J., Patel J., Meyer-Lueckel H., Rodrigues J. A. and Schwendicke F., ''Segmentation of Dental Restorations on Panoramic Radiographs Using Deep Learning'', Diagnostics, 12(6): 1316, (2022).
  • [31] Cui Z., Fang Y., Mei L., Zhang B., Yu B., Liu J., Jiang C., Sun Y., Ma L., Huang J., Liu Y., Zhao Y., Lian C., Ding Z., Zhu M. and Shen D., ''A fully automatic AI system for tooth and alveolar bone segmentation from cone-beam CT images'', Nature Communications, 13(1): 2096, (2022).
  • [32] Panetta K., Rajendran R., Ramesh A., Rao S. and Agaian S., ''Tufts Dental Database: A Multimodal Panoramic X-Ray Dataset for Benchmarking Diagnostic Systems'', IEEE Journal of Biomedical and Health Informatics, 26(4): 1650–1659, (2022).
  • [33] Oztekin F., Katar O., Sadak F., Aydogan M., Talo Yildirim T., Plawiak P., Yildirim O., Talo M. and Karabatak M., ''Automatic semantic segmentation for dental restorations in panoramic radiography images using U-Net model'', International Journal of Imaging Systems and Technology, 32(6): 1990–2001, (2022).
  • [34] Ghafoor A., Moon S.-Y. and Lee B., ''Multiclass segmentation using teeth attention modules for dental X-ray images'', IEEE Access, 11: 123891–123903, (2023).
  • [35] Gardiyanoğlu E., Ünsal G., Akkaya N., Aksoy S. and Orhan K., ''Automatic segmentation of teeth, crown-bridge restorations, dental implants, restorative fillings, dental caries, residual roots, and root canal fillings on orthopantomographs: Convenience and pitfalls'', Diagnostics, 13(8): 1487, (2023).
  • [36] Lin S., Hao X., Liu Y., Yan D., Liu J. and Zhong M., ''Lightweight deep learning methods for panoramic dental X-ray image segmentation'', Neural Computing and Applications, 35(11): 8295-8306, (2022).
  • [37] Baydar, O., Różyło-Kalinowska, I., Futyma-Gąbka, K., & Sağlam, H. (2023). The U-Net Approaches to Evaluation of Dental Bite-Wing Radiographs: An Artificial Intelligence Study. Diagnostics, 13(3), 453, (2023).
  • [38] Rubiu G., Bologna M., Cellina M., Cè M., Sala D., Pagani R., Mattavelli E., Fazzini D., Ibba S., Papa S. and Ali M., ''Teeth segmentation in panoramic dental X-ray using Mask regional convolutional neural network'', Applied Sciences, 13(13): 7947, (2023).
  • [39] Yang S., Li A., Li P., Yun Z., Lin G., Cheng J., Xu S. and Qiu B., ''Automatic segmentation of inferior alveolar canal with ambiguity classification in panoramic images using deep learning'', Heliyon, 9(2): e13694, (2023).
  • [40] Zhu H., Cao Z., Lian L., Ye G., Gao H. and Wu J., ''CariesNet: a deep learning approach for segmentation of multi-stage caries lesion from oral panoramic X-ray image'', Neural Computing and Applications, 35: 16051-16059, (2023).
  • [41] Mărginean A. C., Mureşanu S., Hedeşiu M. and Dioşan L., ''Teeth segmentation and carious lesions segmentation in panoramic X-ray images using CariSeg, a networks' ensemble'', Heliyon, 10(10): e30836, (2024).
  • [42] Lin Z., He Z., Wang X., Zhang B., Liu C., Su W., Tan J. and Xie S., ''DBGANet: Dual-Branch Geometric Attention Network for Accurate 3D Tooth Segmentation'', IEEE Transactions on Circuits and Systems for Video Technology, 34(6): 4285–4298, (2024).
  • [43] Wen X., Liu Z., Chu Y., Le M. and Li L., ''MRCM-UCTransNet: Automatic and accurate 3D tooth segmentation network from cone-beam CT images'', International Journal of Imaging Systems and Technology, 34(4): e23139, (2024).
  • [44] Zannah R., Bashar M., Mushfiq R. B., Chakrabarty A., Hossain S. and Jung Y. J., ''Semantic segmentation on panoramic dental X-ray images using U-Net architectures'', IEEE Access, 12: 44598–44612, (2024).
  • [45] Ma Y., Qu Z., Liu X., Lin J. and Jin Z., ''A high-precision framework for teeth instance segmentation in panoramic radiographs'', Displays, 89: 103064, (2025).
  • [46] Durmuş M., Ergen B., Çelebi A. and Türkoğlu M., ''Comparative analysis of pixel-based segmentation models for accurate detection of impacted teeth on panoramic radiographs'', IEEE Access, 13: 6262–6276, (2025).
  • [47] Fındık A. B., Demir G. D., Özkaya U. and Özdemir G., ''A robust generative segmentation method for panoramic dental radiography images'', International Journal of Imaging Systems and Technology, 35(3): e70099, (2025).
  • [48] Şener B., “Tıbbi görüntülemede derin üretken modeller : bir literatür taraması”, Journal of Polytechnic, 28(2): 413-433, (2025).
  • [49] Goodfellow I., Bengio Y. and Courville A., ''Deep Learning'', MIT Press, (2016).
  • [50] Kuwada C., Ariji Y., Fukuda M., Kise Y., Fujita H., Katsumata A. and Ariji E., ''Deep learning systems for detecting and classifying the presence of impacted supernumerary teeth in the maxillary incisor region on panoramic radiographs'', Oral Surgery, Oral Medicine, Oral Pathology, Oral Radiology, 130(4): 464–469, (2020).
  • [51] Kim D., Choi E., Jeong H. G., Chang J. and Youm S., ''Expert system for mandibular condyle detection and osteoarthritis classification in panoramic imaging using R-CNN and CNN'', Applied Sciences, 10(21): 7464, (2020).
  • [52] Kılıc M. C., Bayrakdar I. S., Çelik Ö., Bilgir E., Orhan K., Aydın O. B., Kaplan F. A., Sağlam H., Odabaş A., Aslan A. F. and Yılmaz A. B., ''Artificial intelligence system for automatic deciduous tooth detection and numbering in panoramic radiographs'', Dentomaxillofacial Radiology, 50(6): 20200172, (2021).
  • [53] Lee D. W., Kim S. Y., Jeong S. N. and Lee J. H., ''Artificial intelligence in fractured dental implant detection and classification: Evaluation using dataset from two dental hospitals'', Diagnostics, 11(2): 233, (2021).
  • [54] Moran M., Faria M., Giraldi G., Bastos L., Oliveira L. and Conci A., ''Classification of approximal caries in bitewing radiographs using convolutional neural networks'', Sensors, 21(15): 5192, (2021).
  • [55] Krois J., Schneider L. and Schwendicke F., ''Impact of image context on deep learning for classification of teeth on radiographs'', Journal of Clinical Medicine, 10(8): 1635, (2021).
  • [56] Chen H., Li H., Zhao Y., Zhao J. and Wang Y., ''Dental disease detection on periapical radiographs based on deep convolutional neural networks'', International Journal of Computer Assisted Radiology and Surgery, 16(4): 649–661, (2021).
  • [57] Ahn Y., Hwang J. J., Jung Y. H., Jeong T. and Shin J., ''Automated mesiodens classification system using deep learning on panoramic radiographs of children'', Diagnostics, 11(8): 1477, (2021).
  • [58] Yasa Y., Çelik Ö., Bayrakdar I. S., Pekince A., Orhan K., Akarsu S., Atasoy S., Bilgir E., Odabaş A. and Aslan A. F., ''An artificial intelligence proposal to automatic teeth detection and numbering in dental bitewing radiographs'', Acta Odontologica Scandinavica, 79(4): 275–281, (2021).
  • [59] Li C. W., Lin S. Y., Chou H. S., Chen T. Y., Chen Y. A., Liu S. Y., Liu Y. L., Chen C. A., Huang Y. C., Chen S. L., Mao Y. C., Abu P. A. R., Chiang W. Y. and Lo W. S., ''Detection of dental apical lesions using CNNs on periapical radiograph'', Sensors, 21(21): 7049, (2021).
  • [60] Bayraktar Y., Ayan E. “Diagnosis of interproximal caries lesions with deep convolutional neural network in digital bitewing radiographs” Clinical Oral Investigations, 26(1):623–632, (2021).
  • [61] Mao Y.-C., Chen T.-Y., Chou H.-S., Lin S.-Y., Liu S.-Y., Chen Y.-A., Liu Y.-L., Chen C.-A., Huang Y.-C., Chen S.-L., Abu P. A. R., Chiang W.-Y., ''Caries and Restoration Detection Using Bitewing Film Based on Transfer Learning with CNNs'', Sensors, 21(13): 4613, (2021).
  • [62] Aljabri M., Aljameel S. S., Min-Allah N., Alhuthayfi J., Alghamdi L., Alduhailan N., Alfehaid R., Alqarawi R., Alhareky M., Shahin S. Y. and Al Turki W., ''Canine impaction classification from panoramic dental radiographic images using deep learning models'', Informatics in Medicine Unlocked, 30: 100918, (2022).
  • [63] Almalki Y. E., Din A. I., Ramzan M., Irfan M., Aamir K. M., Almalki A., Alotaibi S., Alaglan G., Alshamrani H. A. and Rahman S., ''Deep learning models for classification of dental diseases using orthopantomography X-ray OPG images'', Sensors, 22(19): 7370, (2022).
  • [64] Vasdev D., Gupta V., Shubham S., Chaudhary A., Jain N., Salimi M. and Ahmadian A., ''Periapical dental X-ray image classification using deep neural networks'', Annals of Operations Research, 1–29, (2022).
  • [65] Shon H. S., Kong V., Park J. S., Jang W., Cha E. J., Kim S. Y., Lee E. Y., Kang T. G. and Kim K. A., ''Deep learning model for classifying periodontitis stages on dental panoramic radiography'', Applied Sciences, 12(17): 8500, (2022).
  • [66] Al-Ghamdi A. S. A., Ragab M., AlGhamdi S. A., Asseri A. H., Mansour R. F. and Koundal D., ''Detection of dental diseases through X-ray images using neural search architecture network'', Computational Intelligence and Neuroscience, 2022: 3500552, (2022).
  • [67] Vimalarani G. and Ramachandraiah U., “Automatic diagnosis and detection of dental caries in bitewing radiographs using pervasive deep gradient based LeNet classifier model”, Microprocessors and Microsystems, 94(13):104654, (2022).
  • [68] Estai M., Tennant M., Gebauer D., Brostek A., Vignarajan J., Mehdizadeh M. and Saha S., ''Evaluation of a deep learning system for automatic detection of proximal surface dental caries on bitewing radiographs'', Oral Surgery, Oral Medicine, Oral Pathology and Oral Radiology, 134(2): 262–270, (2022).
  • [69] Li S., Liu J., Zhou Z., Zhou Z., Wu X., Li Y., Wang S., Liao W., Ying S. and Zhao Z., ''Artificial intelligence for caries and periapical periodontitis detection'', Journal of Dentistry, 122: 104107, (2022).
  • [70] Chen S.-L., Chen T.-Y., Huang Y.-C., Chen C.-A., Chou H.-S., Huang Y.-Y., Lin W.-C., Li T.-C., Yuan J.-J., Abu P. A. R. and Chiang W.-Y., ''Missing teeth and restoration detection using dental panoramic radiography based on transfer learning with CNNs'', IEEE Access, 10: 118654–118664, (2022).
  • [71] Chen S.-L., Chen T.-Y., Mao Y.-C., Lin S.-Y., Huang Y.-Y., Chen C.-A., Lin Y.-J., Hsu Y.-M., Li C.-A., Chiang W.-Y., Wong K.-Y. and Abu P. A. R., ''Automated detection system based on convolution neural networks for retained root, endodontic treated teeth, and implant recognition on dental panoramic images'', IEEE Sensors Journal, 22(23): 23293–23306, (2022).
  • [72] Calazans M. A. A., Ferreira F. A. B. S., Alcoforado M. L. M. G., Santos A., Pontual A. A. and Madeiro F., ''Automatic classification system for periapical lesions in cone-beam computed tomography'', Sensors, 22(17): 6481, (2022).
  • [73] Kaya E., Gunec H. G., Aydin K. C., Urkmez E. S., Duranay R. and Ates H. F., ''A deep learning approach to permanent tooth germ detection on pediatric panoramic radiographs'', Imaging Science in Dentistry, 52(3): 275–281, (2022).
  • [74] Liu F., Gao L., Wan J., Lyu Z.-L., Huang Y.-Y., Liu C. and Han M., ''Recognition of digital dental X-ray images using a convolutional neural network'', Journal of Digital Imaging, 36(1): 73–79, (2023).
  • [75] Zhou X., Yu G., Yin Q., Yang J., Sun J., Lv S. and Shi Q., ''Tooth type enhanced transformer for children caries diagnosis on dental panoramic radiographs'', Diagnostics, 13(4): 689, (2023).
  • [76] Chen I. D. S., Yang C. M., Chen M. J., Chen M. C., Weng R. M. and Yeh C. H., ''Deep learning-based recognition of periodontitis and dental caries in dental X-ray images'', Bioengineering, 10(8): 911, (2023).
  • [77] Chung M., Lee J., Park S., Lee M., Lee C. E., Lee J. and Shin Y.-G., ''Individual tooth detection and identification from dental panoramic X-ray images via point-wise localization and distance regularization'', Artificial Intelligence in Medicine, 139: 102490, (2023).
  • [78] Chen S.-L., Chen T.-Y., Mao Y.-C., Lin S.-Y., Huang Y.-Y., Chen C.-A., Lin Y.-J., Chuang M.-H. and Abu P. A. R., ''Detection of various dental conditions on dental panoramic radiography using Faster R-CNN'', IEEE Access, 11: 127388–127401, (2023).
  • [79] Yilmaz S., Tasyurek M., Amuk M., Celik M. and Canger E. M., ''Developing deep learning methods for classification of teeth in dental panoramic radiography'', Oral Surgery, Oral Medicine, Oral Pathology and Oral Radiology, 138(1): 118–127, (2024).
  • [80] Lee H.-S., Yang S., Han J.-Y., Kang J.-H., Kim J.-E., Huh K.-H., Yi W.-J. and Heo M.-S., ''Automatic detection and classification of nasopalatine duct cyst and periapical cyst on panoramic radiographs using deep convolutional neural networks'', Oral Surgery, Oral Medicine, Oral Pathology, Oral Radiology, 138(1): 184–195, (2024).
  • [81] Bilal A., Khan A. H., Almohammadi K., Al Ghamdi S. A., Long H. and Malik H., ''PDCNET: Deep convolutional neural network for classification of periodontal disease using dental radiographs'', IEEE Access, 12: 150147–150165, (2024).
  • [82] Korkmaz O. E., Guller H., Miloglu O., Ozbek I. Y., Oral E. A. and Guller M. T., ''The detection of distomolar teeth on panoramic radiographs using different artificial intelligence models'', Journal of Stomatology Oral and Maxillofacial Surgery, 126(5): 102151, (2025).
  • [83] Zhang X., Guo E., Liu X., Zhao H., Yang J., Li W., Wu W. and Sun W., ''Enhancing furcation involvement classification on panoramic radiographs with vision transformers'', BMC Oral Health, 25(1): 153, (2025).
  • [84] Wang Q., Zhu X., Sun Z., Zhang B., Yu J. and Qian S., ''Optimized Yolov8 feature fusion algorithm for dental disease detection'', Computers in Biology and Medicine, 187: 109778, (2025).
  • [85] Küçük D. B., Imak A., Özçelik S. T. A., Çelebi A., Türkoğlu M., Sengur A. and Koundal D., ''Hybrid CNN-Transformer model for accurate impacted tooth detection in panoramic radiographs'', Diagnostics, 15(3): 244, (2025).
  • [86] Bishop C. M., ''Pattern Recognition and Machine Learning'', Springer, (2006).
  • [87] Kim C., Kim D., Jeong H., Yoon S.-J. and Youm S., ''Automatic tooth detection and numbering using a combination of a CNN and heuristic algorithm'', Applied Sciences, 10(16): 5624, (2020).
  • [88] Lian L., Zhu T., Zhu F. and Zhu H., ''Deep learning for caries detection and classification'', Diagnostics, 11(9): 1672, (2021).
  • [89] Muramatsu C., Morishita T., Takahashi R., Hayashi T., Nishiyama W., Ariji Y., Zhou X., Hara T., Katsumata A., Ariji E. and Fujita H., ''Tooth detection and classification on panoramic radiographs for automatic dental chart filing: improved classification by multi-sized input data'', Oral Radiology, 37(1): 13–19, (2021).
  • [90] Shaheen E., Leite A., Alqahtani K. A., Smolders A., Van Gerven A., Willems H. and Jacobs R., ''A novel deep learning system for multi-class tooth segmentation and classification on cone beam computed tomography: A validation study'', Journal of Dentistry, 115: 103865, (2021).
  • [91] Sivasundaram S. and Pandian C., ''Performance analysis of classification and segmentation of cysts in panoramic dental images using convolutional neural network architecture'', International Journal of Imaging Systems and Technology, 31(4): 2214–2225, (2021).
  • [92] Leite A. F., Van Gerven A., Willems H., Beznik T., Lahoud P., Gaêta-Araujo H., Vranckx M. and Jacobs R., ''Artificial intelligence-driven novel tool for tooth detection and segmentation on panoramic radiographs'', Clinical Oral Investigations, 25(4): 2257–2267, (2021).
  • [93] Mima Y., Nakayama R., Hizukuri A. and Murata K., ''Tooth detection for each tooth type by application of faster R CNNs to divided analysis areas of dental panoramic X ray images '', Radiological Physics and Technology, 15(2): 170–176, (2021).
  • [94] Görürgöz C., Orhan K., Bayrakdar İ.Ş., Çelik Ö., Bilgir E., Odabaş A., Aslan A.F. and Jagtap R., “Performance of a convolutional neural network algorithm for tooth detection and numbering on periapical radiographs”,Dentomaxillofacial Radiology, 51(3): 20210296, (2022).
  • [95] Estai M., Tennant M., Gebauer D., Brostek A., Vignarajan J., Mehdizadeh M. and Saha S., ''Deep learning for automated detection and numbering of permanent teeth on panoramic images'', Dentomaxillofacial Radiology, 51(2): 20210296, (2022).
  • [96] Tekin B. Y., Ozcan C., Pekince A. and Yasa Y., ''An enhanced tooth segmentation and numbering according to FDI notation in bitewing radiographs'', Computers in Biology and Medicine, 146: 105547, (2022).
  • [97] Chandrashekar G., AlQarni S., Bumann E. E. and Lee Y., ''Collaborative deep learning model for tooth segmentation and identification using panoramic radiographs'', Computers in Biology and Medicine, 148: 105829, (2022).
  • [98] Zhang K., Chen H., Lyu P. and Wu J., ''A relation-based framework for effective teeth recognition on dental periapical X-rays'', Computerized Medical Imaging and Graphics, 95: 102022, (2022).
  • [99] Park J., Lee J., Moon S. and Lee K., ''Deep learning based detection of missing tooth regions for dental implant planning in panoramic radiographic images'', Applied Sciences, 12(3): 1595, (2022).
  • [100] Haghanifar A., Majdabadi M. M., Haghanifar S., Choi Y. and Ko S. B., ''PaXNet: Tooth segmentation and dental caries detection in panoramic X-ray using ensemble transfer learning and capsule classifier'', Multimedia Tools and Applications, 82: 27659–27679, (2023).
  • [101] Fatima A., Shafi I., Afzal H., Mahmood K., Díez I. T., Lipari V., Ballester J. B. and Ashraf I., ''Deep learning-based multiclass instance segmentation for dental lesion detection'', Healthcare, 11(3): 347, (2023).
  • [102] Rašić M., Tropčić M., Karlović P., Gabrić D., Subašić M. and Knežević P., ''Detection and segmentation of radiolucent lesions in the lower jaw on panoramic radiographs using deep neural networks'', Medicina, 59(12): 2138, (2023).
  • [103] Panyarak W., Suttapak W., Wantanajittikul K., Charuakkra A. and Prapayasatok S., ''Assessment of YOLOv3 for caries detection in bitewing radiographs based on the ICCMS™ radiographic scoring system'', Clinical Oral Investigations, 27(4): 1731–1742, (2023).
  • [104] Zhao X., Xu T., Peng L., Li S., Zhao Y., Liu H., He J. and Liang S., ''Recognition and segmentation of teeth and mandibular nerve canals in panoramic dental X-rays by Mask RCNN'', Displays, 78(1): 102447, (2023).
  • [105] Chen C. C., Wu Y. F., Aung L. M., Lin J. C., Ngo S. T., Su J. N., Lin Y. M. and Chang W. J., ''Automatic recognition of teeth and periodontal bone loss measurement in digital radiographs using deep-learning artificial intelligence'', Journal of Dental Sciences, 18(3): 1301–1309, (2023).
  • [106] Alqahtani K. A., Jacobs R., Smolders A., Van Gerven A., Willems H., Shujaat S. and Shaheen E., ''Deep convolutional neural network-based automated segmentation and classification of teeth with orthodontic brackets on cone-beam computed-tomographic images: a validation study'', European Journal of Orthodontics, 45(2): 169–174, (2023).
  • [107] Xu M., Wu Y., Xu Z., Ding P., Bai H. and Deng X., ''Robust automated teeth identification from dental radiographs using deep learning'', Journal of Dentistry, 136: 104607, (2023).
  • [108] Adnan, N., Umer, F., Malik, S. and Hussain, O. A. '' Multi-model deep learning approach for segmentation of teeth and periapical lesions on pantomographs'', Oral Surgery, Oral Medicine, Oral Pathology and Oral Radiology, 138(1): 196–204, (2024).
  • [109] Manzari O. N., Bayrami F., Khaloo H., Khodakaramimaghsoud Z. and Shokouhi S. B., ''DenUnet: enhancing dental image segmentation through edge and body fusion'', Multimedia Tools and Applications, 84(14): 13201 - 13221, (2024).
  • [110] Ariji Y., Araki K., Fukuda M., Nozawa M., Kuwada C., Kise Y. and Ariji E., ''Effects of the combined use of segmentation or detection models on the deep learning classification performance for cyst-like lesions of the jaws on panoramic radiographs: Preliminary research'', Oral Science International, 21(2): 198–206, (2024).
  • [111] Brahmi W. and Jdey I., ''Automatic tooth instance segmentation and identification from panoramic X-ray images using deep CNN'', Multimedia Tools and Applications, 83(18): 55565–55585, (2024).
  • [112] Latke V. and Narawade V., ''Detection of dental periapical lesions using retinex based image enhancement and lightweight deep learning model'', Image and Vision Computing, 146: 105016, (2024).
  • [113] Amasya H., Jaju P. P., Ezhov M., Gusarev M., Atakan C., Sanders A., Manulius D., Golitskya M., Shrivastava K., Singh A., Gupta A., Önder M. and Orhan K., ''Development and validation of an artificial intelligence software for periodontal bone loss in panoramic imaging'', International Journal of Imaging Systems and Technology, 34(1): e22973, (2024).
  • [114] Kadi H., Kawczynski M., Bendjama S., Flores J. Z., Leong-Hoi A., de Lastic H., Balbierer J., Mabileau C., Radoux J. P., Grollemund B., Jaegle J., Guebert C., Bisch B. and Bloch-Zupan A., ''i-Dent: A virtual assistant to diagnose rare genetic dental diseases'', Computers in Biology and Medicine, 180: 108927, (2024).
  • [115] Guo Y., Guo J., Li Y., Zhang P., Zhao Y.-D., Qiao Y., Liu B. and Wang G., ''Rapid detection of non-normal teeth on dental X-ray images using improved Mask R-CNN with attention mechanism'', International Journal of Computer Assisted Radiology and Surgery, 19(4): 779–790, (2024).
  • [116] Alsolamy M., Nadeem F., Azhari A. A., Alsolami W. and Ahmed W. M., ''Automated detection and labeling of posterior teeth in dental bitewing X-rays using deep learning'', Computers in Biology and Medicine, 183(10): 109262, (2024).
  • [117] Beser B., Reis T., Berber M. N., Topaloglu E., Gungor E., Coruh Kılıc M., Duman S., Çelik Ö., Kuran A. and Bayrakdar İ. Ş., ''YOLO-V5 based deep learning approach for tooth detection and segmentation on pediatric panoramic radiographs in mixed dentition'', BMC Medical Imaging, 24(1): 224, (2024).
  • [118] Xu X., Chen J. and Yin J., ''Tooth instance segmentation and disease detection with uncertainty-aware contrastive learning and cross-scale attention'', IEEE Journal of Biomedical and Health Informatics, (2025).
  • [119] Hua Y., Chen R. and Qin H., ''YOLO-DentSeg: A lightweight real-time model for accurate detection and segmentation of oral diseases in panoramic radiographs'', Electronics, 14(4): 805, (2025).
  • [120] Balel Y., Sağtaş K., Teke F. and Kurt M. A., ''Artificial intelligence-based detection and numbering of dental implants on panoramic radiographs'', Clinical Implant Dentistry and Related Research, 27(1): e70000, (2025).
  • [121] Liu J., Zhang H., Chen J., Meng R., Gao C., Han L., Song Y., Tian Y. and Wang Y., ''Automated detection and segmentation of dental caries using a novel cascaded learning approach'', Biomedical Signal Processing and Control, 102: 107344, (2025).
  • [122] Karadağ B. and Arı A., “Object detection with YOLOv7 model on smart mobile devices”, Journal of Polytechnic, 26(3): 1207-1214, (2023).

Deep Learning Technologies in Dental Practice: Current Applications and Research Trends

Yıl 2026, Cilt: 29 Sayı: 2 , 1 - 17 , 15.03.2026

Murat Can Şener , Hacer Karacan

https://doi.org/10.2339/politeknik.1726576
https://izlik.org/JA82XP95YD

Öz

The use of deep learning technologies in dental practice has been steadily increasing in recent years, accompanied by significant progress in related research. This study provides a comprehensive review of deep learning-based image processing techniques within the field of dentistry, with a particular focus on the performance of models applied in dental segmentation and classification tasks. The analysis reveals that architectures such as U-Net, Mask R-CNN, and YOLO have demonstrated high accuracy in detecting teeth, diseases, and lesions in dental radiographs. By systematically examining studies conducted between 2020 and 2025, this review highlights the potential of deep learning methods to enhance clinical diagnosis and treatment processes, emphasizing the growing importance of automated dental image analysis. The discussion section offers a detailed evaluation of the frequent use and success of U-Net, Mask R-CNN, and YOLO architectures, concluding that deep learning-based approaches can be effectively integrated into clinical workflows. These technologies play a critical role in the early diagnosis of dental pathologies and the development of personalized treatment plans.

Anahtar Kelimeler

Dental segmentation Dental classification Deep learning Panoramic radiography Dental artificial intelligence applications

Etik Beyan

The author(s) of this article declare that the materials and methods used in this study do not require ethical committee permission and/or legal-special permission.

Kaynakça

  • [1] Mayo Clinic, '' Oral health: A window to your overall health'',https://www.mayoclinic.org/healthy-lifestyle/adult-health/in-depth/dental/art-20047475, (Access date: 28 April 2025).
  • [2] Di Spirito F., ''Oral and Systemic Health in the Elderly'', Applied Sciences, 12(22): 11718, (2022).
  • [3] Seitz M. W., Listl S., Bartols A., Schubert I., Blaschke K., Haux C. and Van Der Zande M. M., ''Current Knowledge on Correlations Between Highly Prevalent Dental Conditions and Chronic Diseases: An Umbrella Review'', Preventing Chronic Disease, 16: E132, (2019).
  • [4] GBD 2019 Diseases and Injuries Collaborators, "Global burden of 369 diseases and injuries in 204 countries and territories, 1990–2019: a systematic analysis for the Global Burden of Disease Study 2019", The Lancet, 396: 1204-1222, (2020).
  • [5] Helli S. and Hamamcı A., ''Tooth Instance Segmentation on Panoramic Dental Radiographs Using U-Nets and Morphological Processing'', Düzce Üniversitesi Bilim ve Teknoloji Dergisi, 10(1): 39–50, (2022).
  • [6] Hou S., Zhou T., Liu Y., Dang P., Lu H., Shi H., ''Teeth U-Net: A segmentation model of dental panoramic X-ray images for context semantics and contrast enhancement'', Computers in Biology and Medicine, 152(2): 106296, (2022).
  • [7] Karaoglu A., Ozcan C., Pekince A. And Yasa Y., ''Numbering teeth in panoramic images: A novel method based on deep learning and heuristic algorithm'', Engineering Science and Technology, an International Journal, 37(3): 101316, (2023).
  • [8] Durmuş M., Ergen B., Çelebi A. and Türkoğlu M., ''ResNet Tabanlı PSPNet Kullanarak Panoramik Görüntülerde Gömülü Diş Segmentasyon Analizi'', Fırat Üniversitesi Mühendislik Bilimleri Dergisi, 36(1): 159–166, (2024).
  • [9] Abdulwahhab A. H., Mahmood N. T., Mohammed A. A., Myderrizi I. and Al-Jumaili M. H., ''A review on medical image applications based on deep learning techniques'', Journal of Image and Graphics, 12(3): 215–227, (2024).
  • [10] Eker A. G. and Duru N., ''Medikal Görüntü İşlemede Derin Öğrenme Uygulamaları'', Acta Infologica, 5(2): 459–474, (2021).
  • [11] Darıcı, M., B., “Performance analysis of combination of cnn-based models with adaboost algorithm to diagnose covid-19 disease”, Journal of Polytechnic, 26(1): 179-190, (2023).
  • [12] Ünsal Ü. and Adem K., ''Diş Görüntüleri Üzerinde Görüntü İşleme ve Derin Öğrenme Yöntemleri Kullanılarak Çürük Seviyesinin Sınıflandırılması'', Uluslararası Sivas Bilim ve Teknoloji Üniversitesi Dergisi, 2(2): 30–53, (2023).
  • [13] Estai M., Tennant M., Gebauer D., Brostek A., Vignarajan J., Mehdizadeh M. and Saha S., ''Deep learning for automated detection and numbering of permanent teeth on panoramic images'', Dentomaxillofacial Radiology, 51(2): 20210296, (2022).
  • [14] Lee J. H., Han S. S., Kim Y. H., Lee C. and Kim I., ''Application of a fully deep convolutional neural network to the automation of tooth segmentation on panoramic radiographs'', Oral Surgery, Oral Medicine, Oral Pathology and Oral Radiology, 129(6): 635–642, (2020).
  • [15] Chung M., Lee M., Hong J., Park S., Lee J., Lee J., Yang I. H., Lee J. and Shin Y. G., ''Pose-aware instance segmentation framework from cone beam CT images for tooth segmentation'', Computers in Biology and Medicine, 120(11): 103720, (2020).
  • [16] Kong Z., Xiong F., Zhang C., Fu Z., Zhang M., Weng J. ve Fan M., ''Automated Maxillofacial Segmentation in Panoramic Dental X-Ray Images Using an Efficient Encoder-Decoder Network'', IEEE Access, 8: 207822-207833, (2020).
  • [17] Chen Y., Du H., Yun Z., Yang S., Dai Z., Zhong L., Feng Q. and Yang W., ''Automatic segmentation of individual tooth in dental CBCT images from tooth surface map by a multi-task FCN'', IEEE Access, 8: 97296–97309, (2020).
  • [18] Zhao Y., Li P., Gao C., Liu Y., Chen Q., Yang F. and Meng D., ''TSASNet: Tooth segmentation on dental panoramic X-ray images by two-stage attention segmentation network'', Knowledge-Based Systems, 206(8): 106338, (2020).
  • [19] Rao Y., Wang Y., Meng F., Pu J., Sun J. and Wang Q., ''A symmetric fully convolutional residual network with DCRF for accurate tooth segmentation'', IEEE Access, 8: 92028–92038, (2020).
  • [20] Cha J. Y., Yoon H. I., Yeo I. S., Huh K. H. and Han J. S., ''Panoptic Segmentation on Panoramic Radiographs: Deep Learning-Based Segmentation of Various Structures Including Maxillary Sinus and Mandibular Canal'', Journal of Clinical Medicine, 10(12): 2577, (2021).
  • [21] Chen Q., Zhao Y., Liu Y., Sun Y., Yang C., Li P., Zhang L. and Gao C., ''MSLPNet: Multi-scale location perception network for dental panoramic X-ray image segmentation'', Neural Computing and Applications, 33(19): 10277–10291, (2021).
  • [22] Duan W., Chen Y., Zhang Q., Lin X. and Yang X., ''Refined tooth and pulp segmentation using U-Net in CBCT image'', Dentomaxillofacial Radiology, 50(6): 20200251, (2021).
  • [23] Harsh P., Chakraborty R., Tripathi S. and Sharma K., ''Attention U-Net architecture for dental image segmentation'', 2021 International Conference on Intelligent Technologies (CONIT), Hubli, India, 1–5, (2021).
  • [24] Cui Z., Li C., Chen N., Wei G., Chen R., Zhou Y., Shen D. and Wang W., ''TSegNet: An efficient and accurate tooth segmentation network on 3D dental model'', Medical Image Analysis, 69: 101949, (2021).
  • [25] Yang Y., Xie R., Jia W., Chen Z., Yang Y., Xie L. And Jiang B., ''Accurate and automatic tooth image segmentation model with deep convolutional neural networks and level set method'', Neurocomputing, 419: 108–125, (2021).
  • [26] Ghazvinian Zanjani F., Pourtaherian A., Zinger S., Anssari Moin D., Claessen F., Cherici T., Parinussa S. and de With P. H. N., ''Mask-MCNet: Tooth instance segmentation in 3D point clouds of intra-oral scans'', Neurocomputing, 453: 286–298, (2021).
  • [27] Ying S., Wang B., Zhu H., Liu W. and Huang F., ''Caries segmentation on tooth X-ray images with a deep network'', Journal of Dentistry, 119: 104076, (2022).
  • [28] da Silva Rocha E. and Endo P. T., ''A comparative study of deep learning models for dental segmentation in panoramic radiograph'', Applied Sciences, 12(6): 3103, (2022).
  • [29] Bayrakdar I. S., Orhan K., Çelik Ö., Bilgir E., Sağlam H., Kaplan F. A., Görür S. A., Odabaş A., Aslan A. F. and Różyło-Kalinowska I., ''A U-Net approach to apical lesion segmentation on panoramic radiographs'', BioMed Research International, 2022: 7035367, (2022).
  • [30] Rohrer C., Krois J., Patel J., Meyer-Lueckel H., Rodrigues J. A. and Schwendicke F., ''Segmentation of Dental Restorations on Panoramic Radiographs Using Deep Learning'', Diagnostics, 12(6): 1316, (2022).
  • [31] Cui Z., Fang Y., Mei L., Zhang B., Yu B., Liu J., Jiang C., Sun Y., Ma L., Huang J., Liu Y., Zhao Y., Lian C., Ding Z., Zhu M. and Shen D., ''A fully automatic AI system for tooth and alveolar bone segmentation from cone-beam CT images'', Nature Communications, 13(1): 2096, (2022).
  • [32] Panetta K., Rajendran R., Ramesh A., Rao S. and Agaian S., ''Tufts Dental Database: A Multimodal Panoramic X-Ray Dataset for Benchmarking Diagnostic Systems'', IEEE Journal of Biomedical and Health Informatics, 26(4): 1650–1659, (2022).
  • [33] Oztekin F., Katar O., Sadak F., Aydogan M., Talo Yildirim T., Plawiak P., Yildirim O., Talo M. and Karabatak M., ''Automatic semantic segmentation for dental restorations in panoramic radiography images using U-Net model'', International Journal of Imaging Systems and Technology, 32(6): 1990–2001, (2022).
  • [34] Ghafoor A., Moon S.-Y. and Lee B., ''Multiclass segmentation using teeth attention modules for dental X-ray images'', IEEE Access, 11: 123891–123903, (2023).
  • [35] Gardiyanoğlu E., Ünsal G., Akkaya N., Aksoy S. and Orhan K., ''Automatic segmentation of teeth, crown-bridge restorations, dental implants, restorative fillings, dental caries, residual roots, and root canal fillings on orthopantomographs: Convenience and pitfalls'', Diagnostics, 13(8): 1487, (2023).
  • [36] Lin S., Hao X., Liu Y., Yan D., Liu J. and Zhong M., ''Lightweight deep learning methods for panoramic dental X-ray image segmentation'', Neural Computing and Applications, 35(11): 8295-8306, (2022).
  • [37] Baydar, O., Różyło-Kalinowska, I., Futyma-Gąbka, K., & Sağlam, H. (2023). The U-Net Approaches to Evaluation of Dental Bite-Wing Radiographs: An Artificial Intelligence Study. Diagnostics, 13(3), 453, (2023).
  • [38] Rubiu G., Bologna M., Cellina M., Cè M., Sala D., Pagani R., Mattavelli E., Fazzini D., Ibba S., Papa S. and Ali M., ''Teeth segmentation in panoramic dental X-ray using Mask regional convolutional neural network'', Applied Sciences, 13(13): 7947, (2023).
  • [39] Yang S., Li A., Li P., Yun Z., Lin G., Cheng J., Xu S. and Qiu B., ''Automatic segmentation of inferior alveolar canal with ambiguity classification in panoramic images using deep learning'', Heliyon, 9(2): e13694, (2023).
  • [40] Zhu H., Cao Z., Lian L., Ye G., Gao H. and Wu J., ''CariesNet: a deep learning approach for segmentation of multi-stage caries lesion from oral panoramic X-ray image'', Neural Computing and Applications, 35: 16051-16059, (2023).
  • [41] Mărginean A. C., Mureşanu S., Hedeşiu M. and Dioşan L., ''Teeth segmentation and carious lesions segmentation in panoramic X-ray images using CariSeg, a networks' ensemble'', Heliyon, 10(10): e30836, (2024).
  • [42] Lin Z., He Z., Wang X., Zhang B., Liu C., Su W., Tan J. and Xie S., ''DBGANet: Dual-Branch Geometric Attention Network for Accurate 3D Tooth Segmentation'', IEEE Transactions on Circuits and Systems for Video Technology, 34(6): 4285–4298, (2024).
  • [43] Wen X., Liu Z., Chu Y., Le M. and Li L., ''MRCM-UCTransNet: Automatic and accurate 3D tooth segmentation network from cone-beam CT images'', International Journal of Imaging Systems and Technology, 34(4): e23139, (2024).
  • [44] Zannah R., Bashar M., Mushfiq R. B., Chakrabarty A., Hossain S. and Jung Y. J., ''Semantic segmentation on panoramic dental X-ray images using U-Net architectures'', IEEE Access, 12: 44598–44612, (2024).
  • [45] Ma Y., Qu Z., Liu X., Lin J. and Jin Z., ''A high-precision framework for teeth instance segmentation in panoramic radiographs'', Displays, 89: 103064, (2025).
  • [46] Durmuş M., Ergen B., Çelebi A. and Türkoğlu M., ''Comparative analysis of pixel-based segmentation models for accurate detection of impacted teeth on panoramic radiographs'', IEEE Access, 13: 6262–6276, (2025).
  • [47] Fındık A. B., Demir G. D., Özkaya U. and Özdemir G., ''A robust generative segmentation method for panoramic dental radiography images'', International Journal of Imaging Systems and Technology, 35(3): e70099, (2025).
  • [48] Şener B., “Tıbbi görüntülemede derin üretken modeller : bir literatür taraması”, Journal of Polytechnic, 28(2): 413-433, (2025).
  • [49] Goodfellow I., Bengio Y. and Courville A., ''Deep Learning'', MIT Press, (2016).
  • [50] Kuwada C., Ariji Y., Fukuda M., Kise Y., Fujita H., Katsumata A. and Ariji E., ''Deep learning systems for detecting and classifying the presence of impacted supernumerary teeth in the maxillary incisor region on panoramic radiographs'', Oral Surgery, Oral Medicine, Oral Pathology, Oral Radiology, 130(4): 464–469, (2020).
  • [51] Kim D., Choi E., Jeong H. G., Chang J. and Youm S., ''Expert system for mandibular condyle detection and osteoarthritis classification in panoramic imaging using R-CNN and CNN'', Applied Sciences, 10(21): 7464, (2020).
  • [52] Kılıc M. C., Bayrakdar I. S., Çelik Ö., Bilgir E., Orhan K., Aydın O. B., Kaplan F. A., Sağlam H., Odabaş A., Aslan A. F. and Yılmaz A. B., ''Artificial intelligence system for automatic deciduous tooth detection and numbering in panoramic radiographs'', Dentomaxillofacial Radiology, 50(6): 20200172, (2021).
  • [53] Lee D. W., Kim S. Y., Jeong S. N. and Lee J. H., ''Artificial intelligence in fractured dental implant detection and classification: Evaluation using dataset from two dental hospitals'', Diagnostics, 11(2): 233, (2021).
  • [54] Moran M., Faria M., Giraldi G., Bastos L., Oliveira L. and Conci A., ''Classification of approximal caries in bitewing radiographs using convolutional neural networks'', Sensors, 21(15): 5192, (2021).
  • [55] Krois J., Schneider L. and Schwendicke F., ''Impact of image context on deep learning for classification of teeth on radiographs'', Journal of Clinical Medicine, 10(8): 1635, (2021).
  • [56] Chen H., Li H., Zhao Y., Zhao J. and Wang Y., ''Dental disease detection on periapical radiographs based on deep convolutional neural networks'', International Journal of Computer Assisted Radiology and Surgery, 16(4): 649–661, (2021).
  • [57] Ahn Y., Hwang J. J., Jung Y. H., Jeong T. and Shin J., ''Automated mesiodens classification system using deep learning on panoramic radiographs of children'', Diagnostics, 11(8): 1477, (2021).
  • [58] Yasa Y., Çelik Ö., Bayrakdar I. S., Pekince A., Orhan K., Akarsu S., Atasoy S., Bilgir E., Odabaş A. and Aslan A. F., ''An artificial intelligence proposal to automatic teeth detection and numbering in dental bitewing radiographs'', Acta Odontologica Scandinavica, 79(4): 275–281, (2021).
  • [59] Li C. W., Lin S. Y., Chou H. S., Chen T. Y., Chen Y. A., Liu S. Y., Liu Y. L., Chen C. A., Huang Y. C., Chen S. L., Mao Y. C., Abu P. A. R., Chiang W. Y. and Lo W. S., ''Detection of dental apical lesions using CNNs on periapical radiograph'', Sensors, 21(21): 7049, (2021).
  • [60] Bayraktar Y., Ayan E. “Diagnosis of interproximal caries lesions with deep convolutional neural network in digital bitewing radiographs” Clinical Oral Investigations, 26(1):623–632, (2021).
  • [61] Mao Y.-C., Chen T.-Y., Chou H.-S., Lin S.-Y., Liu S.-Y., Chen Y.-A., Liu Y.-L., Chen C.-A., Huang Y.-C., Chen S.-L., Abu P. A. R., Chiang W.-Y., ''Caries and Restoration Detection Using Bitewing Film Based on Transfer Learning with CNNs'', Sensors, 21(13): 4613, (2021).
  • [62] Aljabri M., Aljameel S. S., Min-Allah N., Alhuthayfi J., Alghamdi L., Alduhailan N., Alfehaid R., Alqarawi R., Alhareky M., Shahin S. Y. and Al Turki W., ''Canine impaction classification from panoramic dental radiographic images using deep learning models'', Informatics in Medicine Unlocked, 30: 100918, (2022).
  • [63] Almalki Y. E., Din A. I., Ramzan M., Irfan M., Aamir K. M., Almalki A., Alotaibi S., Alaglan G., Alshamrani H. A. and Rahman S., ''Deep learning models for classification of dental diseases using orthopantomography X-ray OPG images'', Sensors, 22(19): 7370, (2022).
  • [64] Vasdev D., Gupta V., Shubham S., Chaudhary A., Jain N., Salimi M. and Ahmadian A., ''Periapical dental X-ray image classification using deep neural networks'', Annals of Operations Research, 1–29, (2022).
  • [65] Shon H. S., Kong V., Park J. S., Jang W., Cha E. J., Kim S. Y., Lee E. Y., Kang T. G. and Kim K. A., ''Deep learning model for classifying periodontitis stages on dental panoramic radiography'', Applied Sciences, 12(17): 8500, (2022).
  • [66] Al-Ghamdi A. S. A., Ragab M., AlGhamdi S. A., Asseri A. H., Mansour R. F. and Koundal D., ''Detection of dental diseases through X-ray images using neural search architecture network'', Computational Intelligence and Neuroscience, 2022: 3500552, (2022).
  • [67] Vimalarani G. and Ramachandraiah U., “Automatic diagnosis and detection of dental caries in bitewing radiographs using pervasive deep gradient based LeNet classifier model”, Microprocessors and Microsystems, 94(13):104654, (2022).
  • [68] Estai M., Tennant M., Gebauer D., Brostek A., Vignarajan J., Mehdizadeh M. and Saha S., ''Evaluation of a deep learning system for automatic detection of proximal surface dental caries on bitewing radiographs'', Oral Surgery, Oral Medicine, Oral Pathology and Oral Radiology, 134(2): 262–270, (2022).
  • [69] Li S., Liu J., Zhou Z., Zhou Z., Wu X., Li Y., Wang S., Liao W., Ying S. and Zhao Z., ''Artificial intelligence for caries and periapical periodontitis detection'', Journal of Dentistry, 122: 104107, (2022).
  • [70] Chen S.-L., Chen T.-Y., Huang Y.-C., Chen C.-A., Chou H.-S., Huang Y.-Y., Lin W.-C., Li T.-C., Yuan J.-J., Abu P. A. R. and Chiang W.-Y., ''Missing teeth and restoration detection using dental panoramic radiography based on transfer learning with CNNs'', IEEE Access, 10: 118654–118664, (2022).
  • [71] Chen S.-L., Chen T.-Y., Mao Y.-C., Lin S.-Y., Huang Y.-Y., Chen C.-A., Lin Y.-J., Hsu Y.-M., Li C.-A., Chiang W.-Y., Wong K.-Y. and Abu P. A. R., ''Automated detection system based on convolution neural networks for retained root, endodontic treated teeth, and implant recognition on dental panoramic images'', IEEE Sensors Journal, 22(23): 23293–23306, (2022).
  • [72] Calazans M. A. A., Ferreira F. A. B. S., Alcoforado M. L. M. G., Santos A., Pontual A. A. and Madeiro F., ''Automatic classification system for periapical lesions in cone-beam computed tomography'', Sensors, 22(17): 6481, (2022).
  • [73] Kaya E., Gunec H. G., Aydin K. C., Urkmez E. S., Duranay R. and Ates H. F., ''A deep learning approach to permanent tooth germ detection on pediatric panoramic radiographs'', Imaging Science in Dentistry, 52(3): 275–281, (2022).
  • [74] Liu F., Gao L., Wan J., Lyu Z.-L., Huang Y.-Y., Liu C. and Han M., ''Recognition of digital dental X-ray images using a convolutional neural network'', Journal of Digital Imaging, 36(1): 73–79, (2023).
  • [75] Zhou X., Yu G., Yin Q., Yang J., Sun J., Lv S. and Shi Q., ''Tooth type enhanced transformer for children caries diagnosis on dental panoramic radiographs'', Diagnostics, 13(4): 689, (2023).
  • [76] Chen I. D. S., Yang C. M., Chen M. J., Chen M. C., Weng R. M. and Yeh C. H., ''Deep learning-based recognition of periodontitis and dental caries in dental X-ray images'', Bioengineering, 10(8): 911, (2023).
  • [77] Chung M., Lee J., Park S., Lee M., Lee C. E., Lee J. and Shin Y.-G., ''Individual tooth detection and identification from dental panoramic X-ray images via point-wise localization and distance regularization'', Artificial Intelligence in Medicine, 139: 102490, (2023).
  • [78] Chen S.-L., Chen T.-Y., Mao Y.-C., Lin S.-Y., Huang Y.-Y., Chen C.-A., Lin Y.-J., Chuang M.-H. and Abu P. A. R., ''Detection of various dental conditions on dental panoramic radiography using Faster R-CNN'', IEEE Access, 11: 127388–127401, (2023).
  • [79] Yilmaz S., Tasyurek M., Amuk M., Celik M. and Canger E. M., ''Developing deep learning methods for classification of teeth in dental panoramic radiography'', Oral Surgery, Oral Medicine, Oral Pathology and Oral Radiology, 138(1): 118–127, (2024).
  • [80] Lee H.-S., Yang S., Han J.-Y., Kang J.-H., Kim J.-E., Huh K.-H., Yi W.-J. and Heo M.-S., ''Automatic detection and classification of nasopalatine duct cyst and periapical cyst on panoramic radiographs using deep convolutional neural networks'', Oral Surgery, Oral Medicine, Oral Pathology, Oral Radiology, 138(1): 184–195, (2024).
  • [81] Bilal A., Khan A. H., Almohammadi K., Al Ghamdi S. A., Long H. and Malik H., ''PDCNET: Deep convolutional neural network for classification of periodontal disease using dental radiographs'', IEEE Access, 12: 150147–150165, (2024).
  • [82] Korkmaz O. E., Guller H., Miloglu O., Ozbek I. Y., Oral E. A. and Guller M. T., ''The detection of distomolar teeth on panoramic radiographs using different artificial intelligence models'', Journal of Stomatology Oral and Maxillofacial Surgery, 126(5): 102151, (2025).
  • [83] Zhang X., Guo E., Liu X., Zhao H., Yang J., Li W., Wu W. and Sun W., ''Enhancing furcation involvement classification on panoramic radiographs with vision transformers'', BMC Oral Health, 25(1): 153, (2025).
  • [84] Wang Q., Zhu X., Sun Z., Zhang B., Yu J. and Qian S., ''Optimized Yolov8 feature fusion algorithm for dental disease detection'', Computers in Biology and Medicine, 187: 109778, (2025).
  • [85] Küçük D. B., Imak A., Özçelik S. T. A., Çelebi A., Türkoğlu M., Sengur A. and Koundal D., ''Hybrid CNN-Transformer model for accurate impacted tooth detection in panoramic radiographs'', Diagnostics, 15(3): 244, (2025).
  • [86] Bishop C. M., ''Pattern Recognition and Machine Learning'', Springer, (2006).
  • [87] Kim C., Kim D., Jeong H., Yoon S.-J. and Youm S., ''Automatic tooth detection and numbering using a combination of a CNN and heuristic algorithm'', Applied Sciences, 10(16): 5624, (2020).
  • [88] Lian L., Zhu T., Zhu F. and Zhu H., ''Deep learning for caries detection and classification'', Diagnostics, 11(9): 1672, (2021).
  • [89] Muramatsu C., Morishita T., Takahashi R., Hayashi T., Nishiyama W., Ariji Y., Zhou X., Hara T., Katsumata A., Ariji E. and Fujita H., ''Tooth detection and classification on panoramic radiographs for automatic dental chart filing: improved classification by multi-sized input data'', Oral Radiology, 37(1): 13–19, (2021).
  • [90] Shaheen E., Leite A., Alqahtani K. A., Smolders A., Van Gerven A., Willems H. and Jacobs R., ''A novel deep learning system for multi-class tooth segmentation and classification on cone beam computed tomography: A validation study'', Journal of Dentistry, 115: 103865, (2021).
  • [91] Sivasundaram S. and Pandian C., ''Performance analysis of classification and segmentation of cysts in panoramic dental images using convolutional neural network architecture'', International Journal of Imaging Systems and Technology, 31(4): 2214–2225, (2021).
  • [92] Leite A. F., Van Gerven A., Willems H., Beznik T., Lahoud P., Gaêta-Araujo H., Vranckx M. and Jacobs R., ''Artificial intelligence-driven novel tool for tooth detection and segmentation on panoramic radiographs'', Clinical Oral Investigations, 25(4): 2257–2267, (2021).
  • [93] Mima Y., Nakayama R., Hizukuri A. and Murata K., ''Tooth detection for each tooth type by application of faster R CNNs to divided analysis areas of dental panoramic X ray images '', Radiological Physics and Technology, 15(2): 170–176, (2021).
  • [94] Görürgöz C., Orhan K., Bayrakdar İ.Ş., Çelik Ö., Bilgir E., Odabaş A., Aslan A.F. and Jagtap R., “Performance of a convolutional neural network algorithm for tooth detection and numbering on periapical radiographs”,Dentomaxillofacial Radiology, 51(3): 20210296, (2022).
  • [95] Estai M., Tennant M., Gebauer D., Brostek A., Vignarajan J., Mehdizadeh M. and Saha S., ''Deep learning for automated detection and numbering of permanent teeth on panoramic images'', Dentomaxillofacial Radiology, 51(2): 20210296, (2022).
  • [96] Tekin B. Y., Ozcan C., Pekince A. and Yasa Y., ''An enhanced tooth segmentation and numbering according to FDI notation in bitewing radiographs'', Computers in Biology and Medicine, 146: 105547, (2022).
  • [97] Chandrashekar G., AlQarni S., Bumann E. E. and Lee Y., ''Collaborative deep learning model for tooth segmentation and identification using panoramic radiographs'', Computers in Biology and Medicine, 148: 105829, (2022).
  • [98] Zhang K., Chen H., Lyu P. and Wu J., ''A relation-based framework for effective teeth recognition on dental periapical X-rays'', Computerized Medical Imaging and Graphics, 95: 102022, (2022).
  • [99] Park J., Lee J., Moon S. and Lee K., ''Deep learning based detection of missing tooth regions for dental implant planning in panoramic radiographic images'', Applied Sciences, 12(3): 1595, (2022).
  • [100] Haghanifar A., Majdabadi M. M., Haghanifar S., Choi Y. and Ko S. B., ''PaXNet: Tooth segmentation and dental caries detection in panoramic X-ray using ensemble transfer learning and capsule classifier'', Multimedia Tools and Applications, 82: 27659–27679, (2023).
  • [101] Fatima A., Shafi I., Afzal H., Mahmood K., Díez I. T., Lipari V., Ballester J. B. and Ashraf I., ''Deep learning-based multiclass instance segmentation for dental lesion detection'', Healthcare, 11(3): 347, (2023).
  • [102] Rašić M., Tropčić M., Karlović P., Gabrić D., Subašić M. and Knežević P., ''Detection and segmentation of radiolucent lesions in the lower jaw on panoramic radiographs using deep neural networks'', Medicina, 59(12): 2138, (2023).
  • [103] Panyarak W., Suttapak W., Wantanajittikul K., Charuakkra A. and Prapayasatok S., ''Assessment of YOLOv3 for caries detection in bitewing radiographs based on the ICCMS™ radiographic scoring system'', Clinical Oral Investigations, 27(4): 1731–1742, (2023).
  • [104] Zhao X., Xu T., Peng L., Li S., Zhao Y., Liu H., He J. and Liang S., ''Recognition and segmentation of teeth and mandibular nerve canals in panoramic dental X-rays by Mask RCNN'', Displays, 78(1): 102447, (2023).
  • [105] Chen C. C., Wu Y. F., Aung L. M., Lin J. C., Ngo S. T., Su J. N., Lin Y. M. and Chang W. J., ''Automatic recognition of teeth and periodontal bone loss measurement in digital radiographs using deep-learning artificial intelligence'', Journal of Dental Sciences, 18(3): 1301–1309, (2023).
  • [106] Alqahtani K. A., Jacobs R., Smolders A., Van Gerven A., Willems H., Shujaat S. and Shaheen E., ''Deep convolutional neural network-based automated segmentation and classification of teeth with orthodontic brackets on cone-beam computed-tomographic images: a validation study'', European Journal of Orthodontics, 45(2): 169–174, (2023).
  • [107] Xu M., Wu Y., Xu Z., Ding P., Bai H. and Deng X., ''Robust automated teeth identification from dental radiographs using deep learning'', Journal of Dentistry, 136: 104607, (2023).
  • [108] Adnan, N., Umer, F., Malik, S. and Hussain, O. A. '' Multi-model deep learning approach for segmentation of teeth and periapical lesions on pantomographs'', Oral Surgery, Oral Medicine, Oral Pathology and Oral Radiology, 138(1): 196–204, (2024).
  • [109] Manzari O. N., Bayrami F., Khaloo H., Khodakaramimaghsoud Z. and Shokouhi S. B., ''DenUnet: enhancing dental image segmentation through edge and body fusion'', Multimedia Tools and Applications, 84(14): 13201 - 13221, (2024).
  • [110] Ariji Y., Araki K., Fukuda M., Nozawa M., Kuwada C., Kise Y. and Ariji E., ''Effects of the combined use of segmentation or detection models on the deep learning classification performance for cyst-like lesions of the jaws on panoramic radiographs: Preliminary research'', Oral Science International, 21(2): 198–206, (2024).
  • [111] Brahmi W. and Jdey I., ''Automatic tooth instance segmentation and identification from panoramic X-ray images using deep CNN'', Multimedia Tools and Applications, 83(18): 55565–55585, (2024).
  • [112] Latke V. and Narawade V., ''Detection of dental periapical lesions using retinex based image enhancement and lightweight deep learning model'', Image and Vision Computing, 146: 105016, (2024).
  • [113] Amasya H., Jaju P. P., Ezhov M., Gusarev M., Atakan C., Sanders A., Manulius D., Golitskya M., Shrivastava K., Singh A., Gupta A., Önder M. and Orhan K., ''Development and validation of an artificial intelligence software for periodontal bone loss in panoramic imaging'', International Journal of Imaging Systems and Technology, 34(1): e22973, (2024).
  • [114] Kadi H., Kawczynski M., Bendjama S., Flores J. Z., Leong-Hoi A., de Lastic H., Balbierer J., Mabileau C., Radoux J. P., Grollemund B., Jaegle J., Guebert C., Bisch B. and Bloch-Zupan A., ''i-Dent: A virtual assistant to diagnose rare genetic dental diseases'', Computers in Biology and Medicine, 180: 108927, (2024).
  • [115] Guo Y., Guo J., Li Y., Zhang P., Zhao Y.-D., Qiao Y., Liu B. and Wang G., ''Rapid detection of non-normal teeth on dental X-ray images using improved Mask R-CNN with attention mechanism'', International Journal of Computer Assisted Radiology and Surgery, 19(4): 779–790, (2024).
  • [116] Alsolamy M., Nadeem F., Azhari A. A., Alsolami W. and Ahmed W. M., ''Automated detection and labeling of posterior teeth in dental bitewing X-rays using deep learning'', Computers in Biology and Medicine, 183(10): 109262, (2024).
  • [117] Beser B., Reis T., Berber M. N., Topaloglu E., Gungor E., Coruh Kılıc M., Duman S., Çelik Ö., Kuran A. and Bayrakdar İ. Ş., ''YOLO-V5 based deep learning approach for tooth detection and segmentation on pediatric panoramic radiographs in mixed dentition'', BMC Medical Imaging, 24(1): 224, (2024).
  • [118] Xu X., Chen J. and Yin J., ''Tooth instance segmentation and disease detection with uncertainty-aware contrastive learning and cross-scale attention'', IEEE Journal of Biomedical and Health Informatics, (2025).
  • [119] Hua Y., Chen R. and Qin H., ''YOLO-DentSeg: A lightweight real-time model for accurate detection and segmentation of oral diseases in panoramic radiographs'', Electronics, 14(4): 805, (2025).
  • [120] Balel Y., Sağtaş K., Teke F. and Kurt M. A., ''Artificial intelligence-based detection and numbering of dental implants on panoramic radiographs'', Clinical Implant Dentistry and Related Research, 27(1): e70000, (2025).
  • [121] Liu J., Zhang H., Chen J., Meng R., Gao C., Han L., Song Y., Tian Y. and Wang Y., ''Automated detection and segmentation of dental caries using a novel cascaded learning approach'', Biomedical Signal Processing and Control, 102: 107344, (2025).
  • [122] Karadağ B. and Arı A., “Object detection with YOLOv7 model on smart mobile devices”, Journal of Polytechnic, 26(3): 1207-1214, (2023).
Toplam 122 adet kaynakça vardır.

Ayrıntılar

Birincil Dil İngilizce
Konular Derin Öğrenme
Bölüm Derleme
Yazarlar

Murat Can Şener 0009-0001-6726-1550

Hacer Karacan 0000-0001-6788-008X

Gönderilme Tarihi 25 Haziran 2025
Kabul Tarihi 23 Temmuz 2025
Erken Görünüm Tarihi 6 Ağustos 2025
Yayımlanma Tarihi 15 Mart 2026
DOI https://doi.org/10.2339/politeknik.1726576
IZ https://izlik.org/JA82XP95YD
Yayımlandığı Sayı Yıl 2026 Cilt: 29 Sayı: 2

Kaynak Göster

APA Şener, M. C., & Karacan, H. (2026). Deep Learning Technologies in Dental Practice: Current Applications and Research Trends. Politeknik Dergisi, 29(2), 1-17. https://doi.org/10.2339/politeknik.1726576
AMA 1.Şener MC, Karacan H. Deep Learning Technologies in Dental Practice: Current Applications and Research Trends. Politeknik Dergisi. 2026;29(2):1-17. doi:10.2339/politeknik.1726576
Chicago Şener, Murat Can, ve Hacer Karacan. 2026. “Deep Learning Technologies in Dental Practice: Current Applications and Research Trends”. Politeknik Dergisi 29 (2): 1-17. https://doi.org/10.2339/politeknik.1726576.
EndNote Şener MC, Karacan H (01 Mart 2026) Deep Learning Technologies in Dental Practice: Current Applications and Research Trends. Politeknik Dergisi 29 2 1–17.
IEEE [1]M. C. Şener ve H. Karacan, “Deep Learning Technologies in Dental Practice: Current Applications and Research Trends”, Politeknik Dergisi, c. 29, sy 2, ss. 1–17, Mar. 2026, doi: 10.2339/politeknik.1726576.
ISNAD Şener, Murat Can - Karacan, Hacer. “Deep Learning Technologies in Dental Practice: Current Applications and Research Trends”. Politeknik Dergisi 29/2 (01 Mart 2026): 1-17. https://doi.org/10.2339/politeknik.1726576.
JAMA 1.Şener MC, Karacan H. Deep Learning Technologies in Dental Practice: Current Applications and Research Trends. Politeknik Dergisi. 2026;29:1–17.
MLA Şener, Murat Can, ve Hacer Karacan. “Deep Learning Technologies in Dental Practice: Current Applications and Research Trends”. Politeknik Dergisi, c. 29, sy 2, Mart 2026, ss. 1-17, doi:10.2339/politeknik.1726576.
Vancouver 1.Murat Can Şener, Hacer Karacan. Deep Learning Technologies in Dental Practice: Current Applications and Research Trends. Politeknik Dergisi. 01 Mart 2026;29(2):1-17. doi:10.2339/politeknik.1726576

Cited By

Segmentation-Based Multi-Class Detection and Radiographic Charting of Periodontal and Restorative Conditions on Bitewing Radiographs Using Deep Learning
Diagnostics
https://doi.org/10.3390/diagnostics16020322

Amaç ve Kapsam

 Temel mühendislik alanlarındaki hem deneysel hem de kuramsal çalışmaların yer aldığı dergimiz, mühendisliğin hızla gelişen alanlarına ilişkin makalelerin yayınına öncelik tanır ve disiplinlerarası yöntem ve teknolojiler üzerine yoğunlaşmayı,mühendislik bilimlerindeki en güncel bilimsel ve teknolojik gelişmeleri araştırmacılara, mühendislere ve ilgili kitlelere ulaştırmayı hedefler. Dergiye gönderilen bilimsel çalışmaların yayımlanmış veya sözlü veya poster sunum olarak başka yerde yayın için değerlendirme aşamasında bulunmaması gereklidir.


“Politeknik Dergisi" temel mühendislik konularını kapsayan bir dergidir. Dergi ulusal ve uluslararası düzeyde bilim, teknoloji ve mühendislik alanlarında orijinal bir araştırmayı bulgu ve sonuçlarıyla yansıtan ve bilime katkısı olan araştırma makalelerini veya yeterli sayıda bilimsel makaleyi tarayıp, konuyu bugünkü bilgi ve teknoloji düzeyinde özetleyen, değerlendirme yapan ve bulguları karşılaştırarak yorumlayan tarama makalelerini kabul etmektedir.

Dergimize makale gönderen ve/veya dergimizde hakemlik yapan /yapacak olan tüm kullanıcıların kurumsal e-posta hesapları ile sisteme kayıt olmaları gerekmektedir (yahoo.com, hotmail.com, gmail.com vb. uzantılı e-posta hesapları kullanılmamalıdır).

Dergimize ait herhangi bir ŞABLON formatı  bulunmamaktadır. İlk gönderi için makalelerin aşağıdaki kurallara göre hazırlanması gerekmektedir. 

Gazi Üniversitesi Politeknik Dergisi, Fen ve Mühendislik alanlarında çalışan bilim insanları arasındaki bilimsel iletişimi oluşturmak amacıyla, bilimsel özgün makaleleri Türkçe veya İngilizce olarak kabul etmektedir.

Araştırma Makalesi: Orijinal bir araştırmayı bulgu ve sonuçlarıyla yansıtan çalışmalar,

Tarama Makalesi: Yeterli sayıda bilimsel makaleyi tarayıp, konuyu günümüzün bilgi ve teknoloji düzeyinde özetleyen, değerlendirme yapan ve bu bulguları karşılaştırarak yorumlayan yazılar,

Teknik Not: Yapılan bir araştırmanın önemli bulgularını açıklayan yeni bir yöntem veya teknik tanımlayan yazılar. 

Bütün yazıların Telif Hakkı Devir Formu, makalenin bütün yazarları tarafından doldurulup editörlüğe iletilmelidir. Telif Hakkı Devir Formu göndermeyen yazarların yayınları işleme konulmaz. Yayınlanmasına karar verilen makaleler üzerine yazarlar tarafından sonradan hiçbir eklenti yapılamaz.

Her makale en az iki hakeme gönderilerek şekil ve içerik bakımından incelenir. Dergide yayınlanabilecek nitelikteki olduğu belirlenen makalelerin dizgisi yapılarak yayına hazır hale getirilir.

SUNUŞ

İlk gönderi esnasında, makalenin yazar(lar)ı tarafından benzerlik taraması yapılarak benzerlik oranını gösteren raporun makale ile birlikte yüklenmesi gerekmektedir. Detaylı bilgi için tıklayınız.

Her makalede yapılan çalışmanın özetlendiği bir Özet Sayfası bulunmalıdır. (Bu sayfa makalenin ilk sayfası olacak şekilde makalenizi tek dosya halinde gönderiniz). Özet sayfasına ait şablon dosyaya ulaşmak için tıklayınız.

1. METİN : Times New Roman yazı karakterinde ve 12 pt olacak şekilde yazılmalı, kaynaklar ve şekiller dahil tarama yazıları dışında 20 sayfayı geçmemelidir. Yazarlar makalelerinin ne türde bir yazı olduğunu belirtmelidirler.

2. BAŞLIK : Eserin başlığı, ilk harfleri büyük olacak şekilde Türkçe ve İngilizce olarak yazılmalı, başlık metne uygun, kısa ve açık olmalıdır.

Metin içerisindeki 1. derece başlıkların tamamı büyük harfle, 2. derece başlıkların tüm kelimelerinin ilk harfleri büyük harfle ve 3. ve daha alt başlıklar için başlığın yalnızca ilk kelimesi büyük harfle olacak şekilde yazılmalıdır (Metin içerisinde kullanılan başlıkların ve alt başlıkların tümünün İngilizceleri parantez içerisinde belirtilmelidir. Yazım dili İngilizce olan makalelerde, parantez içerisinde herhangi bir şey belirtilmemelidir. Tüm metin İngilizce olmalıdır)

3. ÖZET : 200 kelimeyi geçmeyecek şekilde Türkçe ve İngilizce yazılmalıdır. İngilizce özetin başına eserin başlığı da ingilizce olarak yazılmalıdır.

4. ANAHTAR KELİMELER : En az 3 en fazla 5 adet Türkçe/ İngilizce olarak verilmelidir.

5. METİN : Genel olarak giriş, yöntem, bulgular, sonuç ve tartışmaya ilişkin kısımları kapsar.

6. KAYNAKLAR : Metinde parantez içerisindeki [1], [2] vb. rakamlarla numaralandırılmalı ve metin sonunda da eser içinde veriliş sırasına göre yazılmalıdır.

Kaynak bir makale ise: Yazarın soyadı adının baş harfi, tırnak içerisinde makalenin tam başlığı, derginin adı (varsa uluslararası kısaltmaları), cilt no: makalenin başlangıç ve bitiş sayfa no, (yıl)

Örnek: Sözen A., Özbaş E., Menlik T., Çakır M. T., Gürü M. and Boran K., ''Improving the thermal performance of diffusion absorption refrigeration system with alumina nanofluids'', International Journal of Refrigeration, 44: 73-80, (2014)

Kaynak bir kitap ise: Yazarın soyadı adının başharfi, tırnak içerisinde kitabın adı, cilt no, varsa editörü, yayınevinin adı, yayın no, yayınlandığı yer, (yıl).

Kaynak kitaptan bir bölüm ise: Bölüm yazarının soyadı adının başharfi, tırnak içerisinde bölümün adı, bölümün alındığı kitabın adı, yayınevinin adı, yayınlandığı yer, (yıl).

Kaynak basılmış tez ise: Yazarın soyadı adının baş harfi, tırnak içerisinde tezin adı, cinsi (yüksek lisans, doktora), sunulduğu üniversite ve enstitüsü, (yıl).

Kaynak kongreden alınmış tebliğ ise: Yazarın soyadı adının baş harfi, tırnak içerisinde tebliğin adı, kongrenin adı, yapıldığı yer, tebliğin başlangıç ve bitiş sayfa no, (yıl).

Kaynak bir standart ise: Standardın numarası, tırnak içerisinde standardın adı, (yıl).

7. ÇİZELGE VE ŞEKİLLER: Çizelge içermeyen bütün görüntüler (fotoğraf, çizim, diyagram, grafik, harita vs.) şekil olarak isimlendirilmelidir. Her bir çizelge ve şekil, metin içinde gireceği yere yerleştirilmelidir. Bütün şekiller metin içinde ardışık olarak numaralandırılmalıdır (Metin içerisinde kullanılan Çizelge ve Şekillerin tümünün ingilizceleri parantez içerisinde belirtilmelidir. Yazım dili İngilizce olan makalelerde, parantez içerisinde herhangi bir şey belirtilmemelidir. Tüm metin İngilizce olmaldır).

8. FORMÜLLER VE BİRİMLER: Metin içerisindeki tüm formüller equation formatında yazılmalıdır. Formüllere (1), (2) şeklinde sıra numarası verilmelidir. Tüm birimler SI birim sisteminde olmalıdır.

9. SİMGELER VE KISALTMALAR : Metin sonunda kaynaklardan önce verilebilir.

10. TEŞEKKÜR : Eğer kişi veya kurumlara teşekkür yapılacaksa bu kısımda yazılmalı ve kaynaklardan önce verilmelidir.

11. ETİK BEYANI : Dergimizde yayımlanacak makalelerde etik kurul izini ve/veya yasal/özel izin alınmasının gerekip gerekmediği belirtilmiş olmalıdır. Eğer bu izinlerin alınması gerekli ise, izinin hangi kurumdan, hangi tarihte ve hangi karar veya sayı numarası ile alındığı açıkça sunulmalıdır. Ayrıca çalışma insan ve hayvan deneklerinin kullanımını gerektiriyor ise çalışmanın uluslararası deklarasyon, kılavuz vb. uygun gerçekleştirildiği beyan edilmelidir. İzin alınmasının gerekmediği durumlar için TEŞEKKÜR bölümünden sonra aşağıdaki metin eklenmelidir.  

        Türkçe dilindeki makaleler için:
        ETİK STANDARTLARIN BEYANI
        Bu makalenin yazar(lar)ı çalışmalarında kullandıkları materyal ve yöntemlerin etik kurul izni ve/veya yasal-özel bir izin gerektirmediğini beyan ederler.


        İngilizce dilindeki makaleler için:
        DECLARATION OF ETHICAL STANDARDS
        The author(s) of this article declare that the materials and methods used in this study do not require ethical committee permission and/or legal-special permission.

12. YAZAR KATKILARININ BEYANI: Bu bölümde makalede adı geçen her bir araştırmacının makaleye olan katkısı belirtilmelidir.

13. ÇIKAR ÇATIŞMASININ BEYANI: Makale yazarları arasındaki çıkar çatışması durumu belirtilmelidir. Herhangi bir çıkar çatışması yoksa "Bu çalışmada herhangi bir çıkar çatışması yoktur" ibaresi yazılmalıdır.

YAYIN ETİĞİ BİLDİRİMİ
Yayın etiği, en iyi uygulama kılavuzlarını sağlamak ve bu nedenle derginin editörleri, yazarları ve hakemler tarafından uyulması açısından çok önemlidir. Politeknik Dergisi, COPE'nin Davranış Kuralları ve Dergi Editörleri İçin En İyi Uygulama Kılavuz İlkeleri (https://publicationethics.org/resources/code-conduct) tarafından açıklanan ilkelere uygundur ve sadece şeffaflık ilkeleri değil, aynı zamanda en iyi bilimsel uygulama Yayın Etik Kurulu (COPE) tarafından belirlenen kurallara uygun olan makaleleri yayınlar.

Baş Editör ve Alan Editörlerinin Görevleri
Tarafsızlık
Derginin baş editörü ve bölüm editörleri, dergiye gönderilen makalelerin hangisinin yayınlanması gerektiğine karar vermekten sorumludur. Bu süreçte yazarlar ırk, etnik köken, cinsiyet, din ve vatandaşlıklarına göre editörler tarafından ayırt edilmez. Editörlerin yayınlanacak bir makaleyi kabul etme, gözden geçirme veya reddetme kararları, yalnızca makalenin önemi, özgünlüğü ve açıklığına ve ayrıca makalede yapılan çalışmanın derginin kapsamına uygunluğuna dayanmaktadır.
Gizlilik
Baş editör ve bölüm editörleri, gönderilen bir makale hakkında herhangi bir bilgiyi başkasıyla paylaşmamalıdır. Ayrıca ilgili yazar, hakemler / muhtemel hakemler ve yayıncı personel tarafından açıklanmamalıdır. Editörler, yazarlar tarafından sunulan tüm materyallerin inceleme sürecinde gizli kalmasını sağlayacaktır.
Çıkar Çatışması ve Açıklama
Gönderilmiş bir makalede açıklanan yayınlanmamış materyaller, yazarın yazılı izni olmadan hiçbir hakemin kendi çalışmalarında kullanılmamalıdır. Hakem değerlendirmesi sürecinden elde edilen münhasır bilgi veya görüşler gizli tutulmalı ve kişisel çıkarlar için kullanılmamalıdır. Hakemler, rekabetçi, işbirlikçi veya makalelere bağlı yazarlar, şirketler veya kurumlardan herhangi biriyle olan diğer ilişkilerden / bağlantılardan kaynaklanan çıkar çatışmalarına sahip oldukları yazıları dikkate almamalıdır.
Akran inceleme süreci
Baş editör / bölüm editörleri, dergi sistemine gönderilen her bir yazı için çift kör bir akran inceleme sürecinin etkin bir şekilde yapılmasını sağlamalıdır.
Etik olmayan davranışların yönetimi
Editörler, yayıncılarla birlikte, gönderilen bir makale veya yayınlanan bir makale hakkında etik şikâyetler sunulduğunda rasyonel olarak duyarlı önlemler almalıdır.

Yazar(lar)ın Görevleri
Makalenin Yazarı
Tasarım, yorumlama ve uygulama dâhil olmak üzere bildirilen çalışmaya önemli bir katkı sağlayanlara daraltılmalıdır. Gönderilen yazıya önemli katkılarda bulunan tüm yazarlar ortak yazar olarak listelenmelidir.

Özgünlük ve intihal
Gönderdikleri makalenin içeriğinden, dilinden ve özgünlüğünden yazarlar sorumludur. Yazarlar, orijinal eserlerini tamamen oluşturduğunu ve yazarlar çalışmayı ve / veya diğer yazarların sözlerini kullanmışlarsa, bunun uygun bir şekilde alıntılandığını veya alıntı yapıldığını temin etmelidir. İntihal, bir başkasının makalesini yazarın kendi makalesi olarak göstermek, bir başkasının makalesinin önemli kısımlarını (atıfta bulunmadan) kopyalamak veya başka bir deyişle, başkaları tarafından yapılan araştırmaların sonuçlarını almaktan farklı biçimlerdedir. Tüm formlarındaki intihal, etik olmayan yayıncılık davranışını içerir ve kabul edilemez. Hakemlere bir makale gönderilmeden önce, intihal araştırması için iThenticate aracılığıyla benzerlik açısından kontrol edilir.

Fon kaynaklarının tanınması
Makalede bildirilen araştırma için tüm finansman kaynakları, referanslar öncesinde makalenin sonunda ayrıntılı olarak belirtilmelidir.

İfşa ve çıkar çatışmaları
Tüm yazarlar makalelerinde, makalelerinin bulgularını veya yorumunu etkilemek için yorumlanabilecek herhangi bir maddi veya diğer maddi çıkar çatışmasını açıklamalıdır. Proje için tüm finansal destek kaynakları da açıklanmalıdır. Açıklanan potansiyel çıkar çatışmaları örnekleri arasında istihdam, danışmanlıklar, hisse senedi mülkiyeti, onur, ücretli uzman tanıklığı, patent başvuruları / kayıtları ve hibeler veya diğer fonlar yer almaktadır. Potansiyel çıkar çatışmaları mümkün olan en erken aşamada bildirilmelidir.

Raporlama standartları
Makalenin yazarları, yapılan çalışmanın doğru bir açıklamasını ve önemi ile ilgili objektif bir tartışma sunmalıdır. Temel veriler, metinde doğru olarak verilmelidir. Bir makale, diğer araştırmacıların çalışmayı tekrar etmelerine izin vermek için yeterli ayrıntıyı ve referansları içermelidir. Zor veya bilerek kesin olmayan ifadeler etik olmayan davranışlar oluşturur ve kabul edilemez. İnceleme ve profesyonel yayın makaleleri de kesin olmalı, özgün ve objektif olmalı ve editoryal düşünce çalışmaları açıkça ifade edilmelidir.

Veri erişimi ve saklama
Yazarlardan editoryal inceleme süreci için bir makaleyle bağlantılı ham verileri sağlamaları istenebilir ve herhangi bir durumda, yayınlandıktan sonra belirli bir süre için bu verileri saklamaları gerekebilir.

Çoklu, gereksiz veya eşzamanlı yayın
Gönderilen makaleler başka herhangi bir dergiye gönderilmemiş olmalıdır. Aynı makaleyi aynı anda birden fazla dergiye göndermek etik olmayan yayıncılık davranışını içerir. Yazarlar ayrıca makalenin daha önce başka bir yerde yayınlanmadığından da emin olmalıdır.

Yayınlanmış çalışmalarda ana hatalar
Bir yazar yayınlanmış eserinde önemli bir hata veya yanlışlıkla karşılaştığında, dergi editörünü veya yayıncısına bu durumu derhal bildirmek ve makaleyi geri çekmek veya düzeltmek için editörle işbirliği yapmak yükümlülüğündedir.

Hakemlerin Görevleri
Hakemler, makale le ilgili görüşlerini tamamlayarak yorumlarını kendisine tanımlanan zaman içerisinde göndermelidir. Eğer makale, hakemin ilgi alanına uygun değilse, makale editöre geri gönderilmelidir, böylece diğer hakemler zaman kaybetmeden atanabilirler.

Katkı
Hakemler, hakemli bir dergi olan derginin kalitesine katkıda bulunan ana üyelerdir. Alınan makaleyi incelemesi için kalifiye olmayan hakemler derhal editöre bildirmeli ve bu makaleyi incelemeyi reddetmelidir.

Gizlilik
İnceleme için gönderilen yazılar gizli belgeler olarak değerlendirilmelidir. Editör tarafından yetkilendirilmedikçe başkalarıyla gösterilmemeli veya tartışılmamalıdır.

Nesnellik standartları
Yorumlar objektif olarak gerçekleştirilmelidir. Yazarın kişisel eleştirisi uygun değildir. Hakemler açıkça destekleyici argümanlarla görüşlerini ifade etmelidir.

Kaynakların tanınması
Hakemler, yazarlar tarafından alıntılanmayan yayınlanmış çalışmaları tanımlamalıdır. Bir gözlem, türetme veya argümanın daha önce bildirildiği herhangi bir ifadeye ilgili atıfta bulunulmalıdır. Bir gözden geçiren aynı zamanda editörün dikkatini, ele alınan yazı ile kişisel bilgileri olan yayınlanmış diğer herhangi bir makale arasında hayati bir benzerlik ya da çakışma olduğuna dikkat etmelidir.

İfşa ve çıkar çatışması
Hakemler, rekabetçi, işbirlikçi veya yazılarla bağlantılı yazarlar, şirketler veya kurumlarla yapılan diğer ilişkilerden / bağlantılardan kaynaklanan çıkar çatışmalarına sahip oldukları makaleleri dikkate almamalıdır.

DERGİ POLİTİKASI
Makale Değerlendirme Süreci
Hakem Davetinin Geçerlilik Süresi : 30 gün
Hakem Daveti İçin Verilen Ekstra Süre : 15 gün
Hakemin Makaleyi Değerlendirme Süresi : 21 gün
Yazarın Düzeltmelerini Gerçekleştirmesi İçin Verilen Süre : 30 gün
Makale Değerlendirmesi İçin Hakeme Verilen Ekstra Süre : 7 gün

Ücret Politikası
Dergimize gönderilen makalelerin değerlendirilmesi/basılması gibi süreçlerde yazarlardan herhangi bir ücret talep edilmemektedir. 

Makale Geri Çekme Süreci
Yayımlanmış bir makalenin geri çekilmesi işlemi ilgili makalenin tüm yazarlarının ortak talebine istinaden yapılmaktadır. Geri çekilen makaleye ait bilgiler yazar(lar)ın editörlüğümüze başvurduğu tarihten sonra yayımlanacak ilk sayımızda GERİ ÇEKME(RETRACTION) başlığı altında bildirilir. 

Politeknik Dergisi makale gönderimi veya basım aşamasında herhangi bir ücret talep etmemektedir.

Atıf Dizinleri

Google Scholar
TR Dizin
Emerging Sources Citation Index (ESCI)
Thomson Reuters / Clarivate Analytics
EBSCO
SOBIAD

Genel Yayın Yönetmeni

Musa ATAR

Baş Editör

Adnan Sözen
Adnan SÖZEN

  
Enerji Sistemleri Mühendisliği, Enerji

Editörler

Murat Tolga ÖZKAN
Serhat KARYEYEN

Editör Yardımcıları

Fatih Emre BORAN
Volkan YILMAZ

Editör Asistanı

Erdem ÇİFTÇİ

Editörler Kurulu

Hülya DURMUŞ
Hüseyin PEKER
İhsan TOKTAŞ
Zafer AYAZ
Nihat OZTURK
O. Ayhan ERDEM
Figen BALO
Mustafa ÖZER
Orhan KAPLAN
Mustafa Bahadır ÖZDEMİR
Hacı Bayram KARADAĞ
İsmail AYDIN
İhsan KORKUT
Halil DEMİR
Melih OKUR
Ahmet GÜRAL
Kasım SERBEST
Murat YÜCEL
Emine Özge KARACA
Cemil ÇETİNKAYA
Volkan YILMAZ
Fatih Emre BORAN

Yayın Danışma Kurulu

Mehmet ESEN
İlker USTA
Ulvi ŞEKER
Murat HOŞÖZ
Hüseyin Rıza BÖRKLÜ
Mustafa AKTAŞ
Mehmet DEMİRTAŞ
Günnur KOCAR
Engin ÖZDEMİR
Ayhan ÖZÇİFÇİ
H. Serdar YÜCESU
Tayfun MENLİK
Metin GÜRÜ
Sare SAHİL
Erol KURT
Ramazan BAYINDIR
Ebru AKPINAR
Ramazan YILMAZ
Prof. Dr. Yasin VAROL
Nadire Şule ATILGAN
Ramazan KÖSE
Erol ARCAKLIOĞLU
Metin İPEK
Dilek KUMLUTAŞ
İshak KARAKAYA
Jamal KHATİB
Musa ATAR

Teknik Sorumlu

Şulenur ASAL
İrem KARAASLAN
Coşkun YÜKSEL

Yayın Etiği Kurulu

Murat Tolga ÖZKAN
Erdem ÇİFTÇİ
Serhat KARYEYEN
 
TARANDIĞIMIZ DİZİNLER (ABSTRACTING / INDEXING)
181341319013191 13189 13187 13188 18016 

download Bu eser Creative Commons Atıf-AynıLisanslaPaylaş 4.0 Uluslararası ile lisanslanmıştır.