| dc.creator |
Pençe, İhsan |
|
| dc.creator |
Yetkin Ay, Zuhal |
|
| dc.creator |
Ertaş, Kübra |
|
| dc.creator |
Çeşmeli, Melike Şişeci |
|
| dc.date |
2021-11-05T00:00:00Z |
|
| dc.date.accessioned |
2022-05-10T11:16:36Z |
|
| dc.date.available |
2022-05-10T11:16:36Z |
|
| dc.identifier |
31e448da-6c83-4159-ba8a-79add6e2536c |
|
| dc.identifier |
https://avesis.sdu.edu.tr/publication/details/31e448da-6c83-4159-ba8a-79add6e2536c/oai |
|
| dc.identifier.uri |
http://acikerisim.sdu.edu.tr/xmlui/handle/123456789/96550 |
|
| dc.description |
<p>Amaç: Periodontal ve peri-implant hastalık ve durumların 2018 yılında yayınlanan ve kullanıma sunulan güncel sınıflaması, kriterleri nedeniyle özellikle deneyimsiz klinisyenler için birtakım zorluklar içermekte ve tanısal çelişkilere neden olmaktadır. Bu çalışmada, periodontitis evre ve derecelendirmesinin kolaylaştırılmasında yapay zekâ ile modelleme yapabilmek için klinik ölçüm ve radyografik görüntüler kullanılarak derin evrişimsel sinir ağı tabanlı bir karar sistemi tasarımının gerçekleştirilmesi amaçlanmıştır.Gereç-Yöntem: Çalışmanın deneysel analizinin ilk kısmında Süleyman Demirel Üniversitesi Diş Hekimliği Fakültesi Periodontoloji Anabilim Dalı’na başvuran 144 bireye ait klinik veriler aracılığıyla Python yazılım dili ile Orange (ver. 3.29) programı kullanılarak bir yapay zekâ modeli oluşturulmuştur. İkinci kısımda ise panoramik radyografik görüntüleri işlenerek derin öğrenme algoritmaları ile sınıflandırma gerçekleştirilmiştir.Bulgular: Klinik veriler kullanılarak “Ağaç algoritması” ile evre belirleme başarısı %97,2, “Rastgele Orman” ve “K-En yakın Komşu” algoritmaları ile derece belirleme başarısı %98,6 doğruluk değerine ulaşmıştır. Panoramik radyografik görüntülerin işlenmesinde en iyi evreleme doğruluk değerini; görüntülerin ön işlemden geçirilmiş olduğu, önerilen Resnet50 mimarisi ile Destek Vektör Makinesi algoritmasının birleştirildiği hibrit bir ağ modeli algoritması vermiş olup, %88,2 sınıflandırma doğruluk değeri ile yüksek bir başarı göstermiştir. Genel olarak derece doğruluk değerlerinin modellemesi için radyografik görüntülerin düşük başarı sağladığı görülmüştür.Sonuç: Çalışmamızda oluşturulan bu karar ağı sisteminin mevcut kısıtlarına rağmen güncel sınıflamaya göre periodontal tanının konmasını kolaylaştırabileceği sonucuna varılmıştır. Algoritmanın optimizasyonu ve sonuçların iyileştirilmesi için ileri çalışmalar planlanmaktadır<br></p> |
|
| dc.language |
tur |
|
| dc.rights |
info:eu-repo/semantics/closedAccess |
|
| dc.title |
Periodontal ve Peri-İmplant Hastalık ve Durumların Güncel Sınıflamasının (2018) Kullanımında Derin Evrişimsel Sinir Ağı Tabanlı Bir Karar Sistemi Tasarımı Yardımcı Olabilir mi?: Bir Yapay Zekâ Algoritması Örneği |
|
| dc.type |
info:eu-repo/semantics/conferenceObject |
|