AUTOMATIC CLASSIFICATION SYSTEM FOR PERIAPICAL LESIONS WITH THE TOOTHNET CNN ARCHITECTURE INTEGRATING THE PROPOSED HYBRID ACTIVATION FUNCTION ON CBCT SCANS

Görüntüleme teknikleri, dişlerin 3 boyutlu yapısını anlamak ve hastalıkları tespit etmek için diş hekimliğinde yaygın olarak kullanılmaktadır, ancak bunların yorumlanması zaman alıcıdır ve hataya açıktır. Bu sorunu çözmek için karar destek sistemleri giderek daha fazla kullanılmaktadır. Bu çalışma, Konik Işınlı Bilgisayarlı Tomografi (CBCT) taramalarını içeren UFPE veri setini kullanan CNN tabanlı bir sınıflandırma modeli önermektedir. İlk senaryoda, hem gerçek hem de geliştirilmiş görüntüler bir CNN'ye girildi ve geliştirilmiş görüntüler için %68,92 doğruluk oranı elde edildi. Bu iyileştirme nedeniyle, diğer tüm senaryolarda geliştirilmiş görüntüler kullanıldı. İkinci senaryoda, özel bir aktivasyon fonksiyonu içeren, ToothNet adlı yeni tasarlanmış bir CNN mimarisi test edildi. Bu mimari %69,92 doğruluk, %61,45 geri çağırma, %62,67 kesinlik ve %68,68 F1 puanı elde ederek %1,45 doğruluk artışı gösterdi. Genelleştirilebilirliği değerlendirmek için, aynı veri seti kullanılarak üç sınıflandırma senaryosu daha incelendi. ToothNet, “sağlıklı vs. büyük lezyon” sınıflandırmasında %80,14 doğruluk ve “sağlıklı vs. küçük lezyon” sınıflandırmasında %68,73 doğruluk elde etti. Bu sonuçlar, önerilen mimarinin sadece doğruluğu artırmakla kalmayıp, farklı lezyon boyutları arasında da genelleştirilebilir olduğunu göstermektedir.