Panoramik Radyografilerde Veri Ön İşleme ve Derin Öğrenme Kullanarak Diş Segmentasyonu

Abstract

Dental segmentasyon, dental radyografik görüntülerde dişlerin ve çevresindeki anatomik yapıların sınırlarının belirlenmesi sürecidir. Bu süreç, dental yapıları dijital görüntüler üzerinde ayrı sınırlara ayırarak analiz edilebilir hale getirir. Özellikle Yapay Zekâ (YZ) destekli sistemlerde, dental segmentasyon; diş tespiti, çürük analizi, periodontal hastalıkların belirlenmesi ve ortodontik planlamalar gibi birçok klinik uygulamanın temelini oluşturmaktadır. Segmentasyonun amacı, tanı ve tedavi süreçlerinde doğru, hızlı ve tekrarlanabilir analizler sunarak klinik karar verme süreçlerini desteklemektir. Bu bağlamda, özellikle uzman eksikliği yaşanan bölgelerde otomatik dental segmentasyon sistemlerinin geliştirilmesi önemli bir ihtiyaç haline gelmiştir. Bu çalışma, U-Net Derin Öğrenme (DÖ) modeli kullanılarak dental radyografilerde segmentasyon performansı üzerinde veri artırımı, ön işleme teknikleri ve dikkat bloklarının etkisini araştırmaktadır. Araştırmanın amacı, otomatik diş segmentasyonu için en etkili görüntü işleme filtreleri, veri artırımı stratejileri ve derin öğrenme mimarileri kombinasyonunu belirlemektir. Çalışmada, Tufts Üniversitesi tarafından sağlanan 1.000 dental radyografiden oluşan bir veri seti kullanılmıştır. Veri seti, %85 eğitim ve %15 test olmak üzere ikiye ayrılmıştır. Görüntü kontrastını artırmak ve gürültüyü azaltmak amacıyla Kontrast Sınırlamalı Uyarlanabilir Histogram Eşitleme (Contrast-Limited Adaptive Histogram Equalization, CLAHE) Otsu eşikleme gibi ön işleme teknikleri ve, segmentasyon odak bölgelerini yorumlamak için Grad-CAM tabanlı ısı haritaları uygulanmıştır. Ayrıca, modelin genelleme yeteneğini artırmak için aynalama, 5° ve 10° derecelik döndürmeler ve öteleme gibi veri artırımı yöntemleri kullanılmıştır. Önerilen U-Net modeli, Adam optimizasyon algoritması kullanılarak 100 epok boyunca eğitilmiştir. Model performansını değerlendirmek amacıyla Dice skoru, Birleşim Üzerinden Kesişim (Intersection over Union, IoU) ve Piksel Doğruluğu (Pixel Accuracy, PA) ölçütleri kullanılmıştır. Veri artırma uygulanmadan gerçekleştirilen deneylerde, CLAHE ön işleme ve dikkat blokları içeren Attention U-Net modeli ile %91,01 Dice, %83,51 IoU ve %97,86 PA en yüksek başarı elde edilmiştir. CLAHE ön işleme ile veri artırma uygulandığında ise, aynalama yöntemi ile artırılmış veriler kullanılarak eğitilen klasik U-Net modeli %91,02 Dice, %83,51 IoU ve %97,86 PA değerleri ile en yüksek başarıyı göstermiştir. Elde edilen bulgular, uygun veri artırımı, ön işleme teknikleri ve dikkat bloklarının uygulanmasının, özellikle veri setinin sınırlı olduğu durumlarda, modelin güvenilirliğini ve doğruluğunu anlamlı düzeyde artırdığını göstermektedir. Çalışmada, veri ön işleme yöntemleri ve dikkat bloklarıyla desteklenen derin öğrenme modellerinin, diş segmentasyonu ve tanısının otomatikleştirilmesi yoluyla sağlık profesyonellerine destek olması amaçlanmaktadır. Bu yaklaşım, özellikle uzman radyologlara erişimin kısıtlı olduğu uzak bölgelerdeki sağlık kuruluşları için önemli bir değer taşımaktadır.Dental segmentation is the process of defining the boundaries of teeth and the anatomical structures that surround them in dental radiographic images. This process separates dental structures into distinct boundaries on digital images, making them suitable for analysis. In particular, dental segmentation forms the basis of numerous clinical applications in artificial intelligence (AI)-assisted systems, such as tooth detection, caries analysis, identification of periodontal diseases, and orthodontic planning. Segmentation supports clinical decision-making processes by providing accurate, rapid, and repeatable analyses for diagnosis and treatment planning. In this context, developing automated dental segmentation systems has become essential, particularly in regions with a shortage of specialists. This study examines how data augmentation, preprocessing techniques, and attention blocks affect the performance of the U-Net deep learning model for segmentation in dental radiographs. The study aims to determine the most effective combination of image processing filters, data augmentation strategies, and deep learning architectures for automated tooth segmentation. The study uses a dataset of 1,000 dental radiographs from Tufts University. The dataset is divided into 85% for training and 15% for testing. Preprocessing techniques such as contrast-limited adaptive histogram equalization (CLAHE) and Otsu thresholding were applied to enhance image contrast and reduce noise. Grad-CAM-based heatmaps were employed to interpret the segmentation focus regions. Additionally, data augmentation methods, including mirroring and rotations of 5° and 10°, as well as translations, were employed to enhance the model's generalization capability. The proposed U-Net model was trained for 100 epochs using the Adam optimization algorithm. Model performance was evaluated using the Dice score, Intersection over Union (IoU), and Pixel Accuracy (PA) metrics. Without data augmentation, the Attention U-Net model incorporating CLAHE preprocessing and attention blocks achieved the highest performance with Dice, IoU, and PA scores of 91.01%, 83.51%, and 97.86%, respectively. When data augmentation with CLAHE preprocessing was applied, the classical U-Net model trained with augmented data using the mirroring method achieved the highest performance, with 91.02% Dice, 83.51% IoU, and 97.86% PA values. The findings demonstrate that applying appropriate data augmentation and preprocessing techniques, as well as attention blocks, significantly improves model reliability and accuracy, especially when the dataset is limited. This study aims to support healthcare professionals by automating tooth segmentation and diagnosis using deep learning models enhanced with preprocessing methods and attention blocks. This approach is valuable for healthcare facilities in remote areas with limited access to specialist radiologists.