Sultan Büşra AY KARTBAK, Mehmet Birol ÖZEL, Muhammet ÇAKMAK
European Oral Research - 2026;60(1):92-97
Amaç: Lateral sefalometrik radyografik görüntüler kullanılarak overbite ölçümlerini sınıflandırmada farklı derin öğrenme algoritmalarının etkinliğini değerlendirmek ve karşılaştırmaktır. Gereç ve Yöntem: Çalışmada, 1.062 hastaya ait yanal sefalometrik radyografiler kullanılmıştır. Overbite değerleri WebCeph aracılığıyla ölçülmüş ve radyografiler sefalometrik ölçümlere göre üç gruba ayrılmıştır (Overbite 1, Overbite 2 ve Overbite 3). Görüntüleri sınıflandırmak amacıyla altı farklı derin öğrenme modeli (ResNet101, DenseNet201, EfficientNetV2-B0, ConvNetBase, EfficientNet-B0 ve Hibrit Model) kullanılmıştır. Model performansı; F1 skoru, doğruluk (accuracy), kesinlik (precision), duyarlılık (recall), ortalama mutlak hata (MAE), Cohen's Kappa katsayısı ve ROC eğrisi altında kalan alan (AUC-ROC) gibi çeşitli ölçütler kullanılarak değerlendirilmiştir. Ayrıca, modellerin karar verme süreçlerini daha iyi yorumlayabilmek için karmaşıklık matrisleri (confusion matrices) ve Grad-CAM görselleştirmeleri oluşturulmuştur. Bulgular: Bu çalışmada kullanılan tüm derin öğrenme modelleri %85'in üzerinde sınıflandırma doğruluğu elde etmiştir. Modeller arasında EfficientNet B0 ve Hibrit Model en yüksek doğruluk oranlarına ulaşırken, ConvNetBase modeli sınıflandırma doğruluğu açısından en düşük performansı göstermiştir. Sonuç: Bu çalışmanın bulguları, geleneksel sefalometrik analizlere ihtiyaç duyulmaksızın, derin öğrenme modellerinin sefalometrik overbite kategorilerini doğru ve güvenilir bir şekilde sınıflandırma potansiyelini ortaya koymaktadır.
