Transfer Öğrenme Tabanlı Derin Öğrenme Yaklaşımlarıyla Servikal Vertebra Matürasyon Safhalarının Sınıflandırılması ve Kemik Yaşı Değerlendirilmesi

Basit Öğe Kaydı
dc.contributor.authorSengur, Abdulkadir
dc.contributor.authorBor, Sabahattin
dc.contributor.authorKotan, Seda
dc.contributor.authorKayaoğlu, Mazhar
dc.date.accessioned2026-04-04T13:14:27Z
dc.date.available2026-04-04T13:14:27Z
dc.date.issued2025
dc.departmentİnönü Üniversitesi
dc.description.abstractBu 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.
dc.identifier.doi10.62520/fujece.1657886
dc.identifier.endpage405
dc.identifier.issn2822-2881
dc.identifier.issue2
dc.identifier.startpage393
dc.identifier.trdizinid1318704
dc.identifier.urihttps://doi.org/10.62520/fujece.1657886
dc.identifier.urihttps://search.trdizin.gov.tr/tr/yayin/detay/1318704
dc.identifier.urihttps://hdl.handle.net/11616/107215
dc.identifier.volume4
dc.indekslendigikaynakTR-Dizin
dc.language.isoen
dc.relation.ispartofFirat University journal of experimental and computational engineering (Online)
dc.relation.publicationcategoryMakale - Ulusal Hakemli Dergi - Kurum Öğretim Elemanı
dc.rightsinfo:eu-repo/semantics/openAccess
dc.snmzKA_TR_20250329
dc.subjectBilgisayar Bilimleri
dc.subjectYazılım Mühendisliği
dc.subjectBilgisayar Bilimleri
dc.subjectYapay Zeka
dc.titleTransfer Öğrenme Tabanlı Derin Öğrenme Yaklaşımlarıyla Servikal Vertebra Matürasyon Safhalarının Sınıflandırılması ve Kemik Yaşı Değerlendirilmesi
dc.title.alternativeClassification of Cervical Vertebral Maturation Stages and Bone Age Assessment Using Transfer Learning–Based Deep-Learning Approaches
dc.typeArticle

Dosyalar

Koleksiyon

TR-Dizin İndeksli Yayınlar Koleksiyonu