2026-03-262026-03-26https://hdl.handle.net/20.500.14901/1053Diş lezyonlarının tespiti, ağız sağlığının korunması ve ciddi hastalıkların gelişiminin önlenmesi açısından büyük önem taşımaktadır. Diş hekimleri, lezyon tespiti için panoramik, periapikal ve konik ışınlı bilgisayarlı tomografi (CIBT) gibi tıbbi görüntüleme tekniklerini kullanmaktadır. Bununla birlikte, özellikle küçük lezyonların diş hekimi tarafından tanınması zor olabilir. Diş hekimlerine yardımcı olmak için, literatürde otomatik lezyon tespiti için CNN, U-net, YOLO, DetectNet ve GoogleNet gibi derin öğrenme modelleri kullanılmıştır. Bu modellerle yüksek doğruluk oranları elde edilebilse de, karmaşık yapıları nedeniyle yüksek hesaplama maliyetleri ve büyük veri kümeleri gerektirirler. Transfer öğrenme yöntemi, daha az veri ve önceden eğitilmiş bir model kullanılarak ince ayar yapılabildiği için daha düşük hesaplama maliyeti ve yüksek performans sağlar. Transfer öğrenme yöntemleri kullanılarak, diş panoramik radyografilerinde dişlere ve maksiller kemiklere odaklanılacak ve çift çeneli yapıların dışındaki bölgeler otomatik olarak kırpılarak veri boyutu azaltılacaktır. Görüntüyü parçalara ayırarak, her parçadan daha belirgin özellikler çıkarılacaktır. Elde edilen parçalı görüntüler, en doğru iki ağ modelinden özellikler çıkarmak için Bilateral ve CLAHE filtrelerinden geçirilecektir. Özellik haritaları birleştirilen modeller çeşitli özellik seçicilerden geçirilecek ve en iyi performans gösterenler belirlenecektir.Dental lesion detection has a great importance for maintaining oral health and preventing the development of serious diseases. Dentists use medical imaging techniques such as panoramic, periapical and cone beam computed tomography (CIBT) for lesion detection. However, especially small lesions can be difficult to recognize by the dentist. To help dentists, deep learning models such as CNN, U-net, YOLO, DetectNet and GoogleNet have been used in the literature for automatic lesion detection. Although high accuracy rates can be achieved with these models, they require high computational costs and large data sets due to their complex structure. Transfer learning method provides lower computational cost and high performance since it can be fine-tuned using less data and a pre-trained model. Using transfer learning methods, dental panoramic radiographs will be focused on the teeth and maxillary bones and the data size will be reduced by automatically cropping the regions outside the bimaxillary structures. By splitting the image into patches, more salient features will be extracted from each patch. The resulting fragment images will be passed through Bilateral and CLAHE filters to extract features from the two most accurate network models. The models whose feature maps are combined will be passed through various feature selectors and the best performers will be determined.