| Tez Türü | Doktora |
| Ülke | Türkiye |
| Üniversite | Selçuk Üniversitesi |
| Enstitü | Fen Fakültesi |
| Anabilim Dalı | Bilgisayar Mühendisliği |
| Tez Onay Yılı | 2026 |
| Öğrenci Adı ve Soyadı | Elham Tahsin Yasin YASİN |
| Tez Danışmanı | DOÇ. DR. MURAT KÖKLÜ |
| Türkçe Özet | Ağız, diş ve çene radyolojisi; dental tanı, tedavi planlaması ve cerrahi risk değerlendirmesinde hayati bir role sahiptir. Bununla birlikte, radyografik görüntülerin manuel olarak yorumlanması çoğu zaman zaman alıcı olmakta ve klinisyenler arasında farklılıklara neden olabilmektedir. Bu doktora tezi, dental radyolojik verilerin otomatik analizine yönelik olarak derin öğrenme, hibrit makine öğrenmesi yaklaşımları, açıklanabilir yapay zekâ ve DentSym adı verilen yeni bir simetri-duyarlı derin öğrenme mimarisinin uygulanmasını araştırmaktadır. Çalışma, üçüncü molar çekim zorluğunun değerlendirilmesi, dental implantların tespiti ve sınıflandırılması, mandibular üçüncü molar ile mandibular kanal arasındaki ilişkinin belirlenmesi, bu ilişkinin derin özellikler kullanılarak hibrit yaklaşımlarla tahmin edilmesi ve dental ark sınıflandırması olmak üzere birbiriyle ilişkili beş alt çalışmadan oluşmaktadır. Çalışmada intraoral fotoğraflar, konik ışınlı bilgisayarlı tomografi görüntüleri ve panoramik radyografiler dâhil olmak üzere farklı görüntüleme yöntemleri kullanılmıştır. Önerilen yaklaşımlar; evrişimsel sinir ağlarını, hibrit özellik tabanlı modelleri, DentSym mimarisini ve nesne tespit çerçevelerini bir araya getirmektedir. Uygulama potansiyelini artırmak amacıyla gerçek zamanlı tahmin, görselleştirme ve model değerlendirmesine olanak sağlayan bir mobil uygulama ile masaüstü tabanlı grafiksel kullanıcı arayüzü geliştirilmiştir. Model performansı; doğruluk, kesinlik, duyarlılık, F1-skoru, alıcı işletim karakteristiği eğrisi altında kalan alan, ortalama ortalama hassasiyet, Dice katsayısı ve Cohen'in kappa katsayısı kullanılarak değerlendirilmiştir. Şeffaflığı ve yorumlanabilirliği artırmak amacıyla Görüntü Sınıflandırma Haritalarının Gradyan Ağırlıklı Aktivasyon Haritalaması yöntemi kullanılarak görsel açıklamalar üretilmiştir. Elde edilen sonuçlar, incelenen tüm görevlerde yüksek ve klinik açıdan anlamlı performans elde edildiğini göstermiştir. Nesne tespit modelleri, üçüncü molar çekim zorluğunun değerlendirilmesi ve dental implant tespiti görevlerinde güçlü sonuçlar ortaya koymuştur. Mandibular üçüncü molar--mandibular kanal ilişkisinin değerlendirilmesinde hafif yapılı derin öğrenme mimarileri en yüksek performansı göstermiştir. Hibrit çerçeve, özellikle doğrusal ayırma analizi ile birleştirildiğinde oldukça yüksek sınıflandırma başarısı elde etmiştir. Önerilen DentSym mimarisi, dental ark sınıflandırmasında en iyi sonuçları vermiş ve ayrıca dental implant türü sınıflandırmasında da güçlü performans göstererek simetri-duyarlı özellik öğrenmenin farklı dental görüntüleme görevlerindeki etkinliğini ortaya koymuştur. Genel olarak bu tez, ağız, diş ve çene radyolojisindeki çok çeşitli uygulamalar için doğru, yorumlanabilir ve klinik olarak uygulanabilir yapay zekâ sistemlerinin geliştirilebileceğini göstermektedir. Bulgular ayrıca, derin öğrenme mimarilerine alana özgü anatomik bilginin entegre edilmesinin, dental görüntü analizinde hem performansı hem de uyarlanabilirliği artırabileceğini ortaya koymaktadır. |
| İlgilizce Özet | Oral and maxillofacial radiology plays a vital role in dental diagnosis, treatment planning, and surgical risk assessment. However, manual interpretation of radiographic images is often time-consuming and subject to variability among clinicians. This doctoral thesis investigates the application of deep learning, hybrid machine learning approaches, explainable artificial intelligence, and a novel symmetry-aware deep learning architecture named DentSym for the automated analysis of dental radiological data. The research consists of five complementary sub-studies addressing third molar extraction difficulty assessment, dental implant detection and classification, determination of the relationship between the mandibular third molar and the mandibular canal, hybrid prediction of this relationship using deep features, and dental arch classification. Multiple imaging modalities, including intraoral photographs, conebeam computed tomography images, and panoramic radiographs, were utilized. The proposed approaches combined convolutional neural networks, hybrid feature-based models, DentSym, and object detection frameworks. To enhance practical applicability, a mobile application and a desktop-based graphical user interface were developed to enable realtime prediction, visualization, and model evaluation. Model performance was evaluated using accuracy, precision, recall, F1-score, the area under the receiver operating characteristic curve, mean average precision, Dice coefficient, and Cohen's kappa. Visual explanations were generated using Gradient-weighted Class Activation Mapping to improve transparency and interpretability. The results demonstrated high and clinically meaningful performance across all investigated tasks. The object detection models achieved strong results in third molar extraction difficulty assessment and dental implant detection. For the assessment of the mandibular third molar--mandibular canal relationship, lightweight deep learning architectures achieved the highest performance. The hybrid framework, particularly when combined with linear discriminant analysis, achieved exceptionally high classification performance. The proposed DentSym architecture achieved the best results in dental arch classification and also demonstrated strong performance in dental implant type classification, highlighting the effectiveness of symmetry-aware feature learning across different dental imaging tasks. Overall, this thesis demonstrates that accurate, interpretable, and clinically applicable artificial intelligence systems can be developed for a wide range of applications in oral and maxillofacial radiology. The findings further suggest that incorporating domain-specific anatomical knowledge into deep learning architectures can improve both performance and adaptability in dental image analysis. |