AI Summary & Key Takeaways
AI InsightFindings showed deep learning models have been shown to be reliable tools providing accurate predictions in the classification of tooth types.
📌 3 Key Takeaways
Abstract
Tooth type classification is routinely performed in diagnosis, treatment, and planning. Towards digital dentistry, it is valuable to perform processes automatically instead of time-consuming conventional approaches. This work suggests a novel deep learning model to classify tooth types. This study proposes a new model, ZNet, for classifying tooth types and compares its performance with the leading deep learning models. The tooth types in panoramic images are categorized into 4 classes: incisor, canine, premolar and molar. This study investigates the performance of 7 different deep learning models, namely ResNet-50, VGG-19, EfficientNet, Densenet, Inception, Xception and the proposed ZNet. Model performances are evaluated using Accuracy, Precision, Recall and F1-score metrics. Accuracy, Precision, Recall and F1-score for the proposed model ZNet are 95.79%, 84.10%, 94.80% and 87.60% respectively. The proposed model outperformed the others. Findings showed deep learning models have been shown to be reliable tools providing accurate predictions in the classification of tooth types.
Özet
Diş tipi sınıflandırması teşhis, tedavi ve planlamada rutin olarak gerçekleştirilir. Dijital diş hekimliğine doğru, zaman alan geleneksel yaklaşımlar yerine işlemlerin otomatik olarak gerçekleştirilmesi değerlidir. Bu çalışma, diş tiplerini sınıflandırmak için yeni bir derin öğrenme modeli önermektedir. Bu çalışma, diş türlerini sınıflandırmak için yeni bir model olan ZNet'i önermekte ve performansını önde gelen derin öğrenme modelleriyle karşılaştırmaktadır. Panoramik görüntülerdeki diş türleri kesici, köpek, premolar ve molar olmak üzere 4 sınıfa ayrılmıştır. Bu çalışmada ResNet-50, VGG-19, EfficientNet, Densenet, Inception, Xception ve önerilen ZNet olmak üzere 7 farklı derin öğrenme modelinin performansı incelenmiştir. Model performansları Accuracy, Precision, Recall ve F1-score metrikleri kullanılarak değerlendirilmiştir. Önerilen model ZNet için Doğruluk, Kesinlik, Geri Çağırma ve F1-skoru sırasıyla %95,79, %84,10, %94,80 ve %87,60'tır. Önerilen model diğerlerinden daha iyi performans göstermiştir. Bulgular, derin öğrenme modellerinin diş türlerinin sınıflandırılmasında doğru tahminler sağlayan güvenilir araçlar olduğunu göstermiştir.