Amaç: Bu çalışma, panoramik radyografide eksik dişlerin sınıflandırılmasında makine öğreniminin (ML) işlevselliğini ve kullanılabilirliğini değerlendirmeyi amaçlamaktadır.

Materyal ve Metot: Bu çalışmada, eksik dişlerin sınıflandırılması için arşivlenen 1000 anonim panoramik radyografinin 500'ü eksik dişleri içerirken, diğer 500'ü eksik dişleri içermiyordu. Görüntülerin 700'ü eğitim, 300'ü ise test için ayrılmıştır. Panoramik radyografilerden özellik çıkarmak için temel bileşen analizi (PCA) kullanıldı. Oluşturulan veri seti üzerinde eksik/tam diş sınıflandırması için olmak üzere altı farklı sınıflandırma modeli algoritması (Destek Vektör Makineleri (SVM), Rastgele Karar Ormanı, Lojistik Regresyon, K-En Yakın Komşu, Karar Ağacı ve Gaussian Naive Bayes sınıflandırma modeli) kullanıldı. Bu modellerin performansı değerlendirildi.

Bulgular: Çalışmaya dahil edilen sınıflandırma modelleri içerisinde SVM’nin doğruluk puanları eğitim veri setinde %98,14, test veri setinde ise %81,67 ile diğer algoritmalara göre yüksek bulundu.

Sonuç: Tıbbi görüntü sınıflandırma alanında doğru ve güvenilir teşhisin sağlanması için uygun makine öğrenmesi modelinin seçimi oldukça önemlidir. SVM, çok boyutlu verilerin sınıflandırılmasında oldukça başarılı bir yöntemdir.

Eksik dişler Makine öğrenimi Panoramik radyografi