Transfer Öğrenme Tabanlı Derin Öğrenme Yaklaşımlarıyla Servikal Vertebra Matürasyon Safhalarının Sınıflandırılması ve Kemik Yaşı Değerlendirilmesi
Küçük Resim Yok
Tarih
2025
Dergi Başlığı
Dergi ISSN
Cilt Başlığı
Yayıncı
Erişim Hakkı
info:eu-repo/semantics/openAccess
Özet
Bu çalışmada, büyüme ve gelişimi değerlendirmek amacıyla lateral sefalometrik radyografiler kullanılarak servikal vertebra maturasyon (CVM) evrelerinin otomatik sınıflandırılması gerçekleştirilmiştir. Van Yüzüncü Yıl Üniversitesi Diş Hekimliği Fakültesi Ortodonti Anabilim Dalı tarafından sağlanan toplam 4285 radyografi kullanılmıştır. Uzman hekimler tarafından yapılan detaylı değerlendirmeler sonucunda, tanısal doğruluk ve klinik uygunluk kriterlerini karşılayan 3750 görüntü çalışmaya dâhil edilmiştir. Seçilen görüntüler, altı sınıfa (CVMS 1– 6) ayrılarak dengeli bir veri seti oluşturulmuş ve NFNet, ConvNeXt V2, EfficientNet V2 ve DeiT3 modelleri kullanılarak sınıflandırma işlemleri gerçekleştirilmiştir. NFNet modeli, %96 eğitim doğruluğu ve %85,7 test doğruluğu ile en yüksek genel performansı sergilemiştir. %95 eğitim doğruluğu ve %86,9 test doğruluğu elde eden ConvNeXt V2, genelleme açısından en dengeli model olarak öne çıkmıştır. EfficientNet V2, %94 eğitim doğruluğuna ulaşmasına rağmen %80,7 test doğruluğu ile sınırlı bir genelleme kapasitesi göstermiştir. DeiT3 modeli ise %93 eğitim doğruluğu ve %77,6 test doğruluğu ile en düşük genelleme kapasitesine sahip olmuştur. NFNet ve ConvNeXt V2, yüksek doğruluk oranları ve dengeli performansları sayesinde güçlü sınıflandırma adayları olarak öne çıkmıştır. NFNet’in eğitim ve test doğruluğu arasındaki %10,3’lük fark genelleme kapasitesinde bir miktar azalmaya işaret ederken, ConvNeXt V2’nin daha dar olan %8,1’lik farkı daha istikrarlı bir performans göstermiştir. Sonuç olarak, NFNet ve ConvNeXt V2, CVM sınıflandırması için umut vadeden modeller olarak belirlenmiştir. Gelecekteki çalışmalarda, bu modellerin performansını artırmak ve klinik uygulanabilirliklerini güçlendirmek için daha büyük veri setleri kullanılması ve hiperparametre optimizasyonunun gerçekleştirilmesi önerilmektedir.
Açıklama
Anahtar Kelimeler
Bilgisayar Bilimleri, Yazılım Mühendisliği, Bilgisayar Bilimleri, Yapay Zeka
Kaynak
Firat University journal of experimental and computational engineering (Online)
WoS Q Değeri
Scopus Q Değeri
Cilt
4
Sayı
2
