Bu çalışmanın amacı, derin öğrenme yöntemi kullanılarak geliştirilen yapay zekâ yöntemi ile panoramik radyografilerde
dental restorasyonları otomatik olarak tespit etmek ve sınıflandırmaktır. Gereç ve Yöntemler: Bu çalışmada, yapay zekâ modeli geliştirmek için 12-15 yaş aralığındaki çocuklardan alınan 789 panoramik
radyografi kullanılmıştır. Radyografiler, Atatürk Üniversitesi Diş Hekimliği Fakültesi Pedodonti ABD radyoloji arşivinden elde edilmiştir.
Çalışmamıza dâhil edilen panoramik radyografiler dolgu ve kanal tedavisi olmak üzere 2 gruba ayrılmıştır. PyTorch kütüphanesi ile uygulanan U-Net modeli restoratif materyallerin tespiti ve segmentasyonu
için kullanılmıştır. Yapay zekâ performansı, karışıklık matrisi kullanılarak değerlendirilmiştir. Bulgular: Yapay zekâ sistemi dolgu grubuna
ait test grubunda; 50 görüntüde bulunan 94 dolgulu diş etiket sayısından 89’unu gerçek pozitif, 1’ini yanlış pozitif ve 4’ünü yanlış negatif
olarak değerlendirmiştir. Karışıklık matrisi kullanarak hesaplanan duyarlılık, kesinlik ve F1 skor değerleri sırasıyla 0,9569, 0,9888 ve 0,9726
olarak tespit edilmiştir. Kanal tedavisi, test grubunda 40 görüntüde bulunan 76 kanal tedavili diş etiket sayısından 60’ı gerçek pozitif, 0 yanlış pozitif ve 11’i yanlış negatif olarak değerlendirmiştir. Karışıklık matrisi
kullanarak hesaplanan duyarlılık, kesinlik ve F1 değerleri sırasıyla 0,8450,
1 ve 0,9160 olarak tespit edilmiştir. Sonuç: Derin öğrenme tabanlı yapay
zekâ modelleri, daimî dişlenme dönemine ait çocuklardan alınan panoramik radyografilerde restorasyonları otomatik olarak tespitinde çok iyi performans göstermiştir. Yapay zekâ araçları, klinisyenlere zaman
kazandırabilir ve karar destek sistemi olarak yardımcı olabilir.
This study aims to detect and classify it with
the artificial intelligence method developed using the deep learning
method. Material and Methods: In this study, 789 panoramic radiographs taken from children aged 12-15 were used to develop an artificial intelligence model. Radiographs were obtained from the radiology
archive of Atatürk University Faculty of Dentistry, Department of Pedodontics. Panoramic radiographs included in our study were divided
into two groups as filling and root canal treatment. The U-Net model
implemented with the PyTorch library was used for the detection and
segmentation of restorative materials. AI performance was evaluated
using the confusion matrix. Results: Artificial intelligence system; in
the test group belonging to the filler group; evaluated 89 true positives,
1 false-positive, and 4 false negatives out of 94 filled tooth tags in 50
images. Sensitivity, precision, and F1 score values calculated using the
confusion matrix were found to be 0.9569, 0.9888, and 0.9726, respectively. Root canal treatment evaluated 60 as true positive, 0 false
positive, and 11 false negatives out of 76 root canal-treated tooth tags
in 40 images in the test group. Sensitivity, precision, and F1 values calculated using the confusion matrix were found to 0,8450, 1 ve and
0,9160, respectively. Conclusion: Deep learning-based artificial intelligence models have performed very well in automatically detecting
restorations in panoramic radiographs of children with permanent dentition. AI tools can save clinicians time and assist as a decision support
system.
