İki Makalenin Yayın Serüveni: Panoramik Röntgenlerden Derin Öğrenmeye

Web sayfamı defalarca yeniden tasarladım, ama bu iki makale için çalışırken yaşadığım serüveni sizlerle paylaşmayı uzun zamandır istiyordum.

Söze başlamadan önce, çalışmaların verilerini elde etme aşamasından yayınlanma anına kadar bana ve akademik dünyaya katkısı çok büyük olan değerli ablama içtenlikle teşekkür ederim. Onun yönlendirmesi ve sabrı olmasaydı bu yolculuk bu kadar anlamlı olmazdı.

Görünürde iki yayın var. Ama ikisinin de buraya ulaşması epey uzun sürdü, hikayesi biraz uzun. Aşağıda bu yolculuğu altı kısa bölümde topladım.

Bitirme projemi Malatya'dayken, lisans öğrencilerinin Kahoot benzeri quizleri profesyonel ve kesintisiz oynayabilmesi için tasarladığım Soru Kayısı ile başladı her şey. Aslen Trabzonluyum, ama Malatya'ya olan sevgim ve oradaki bağlarım sayesinde başlayan yolculuk sadece o projeyle sınırlı kalmadı.

Türkiye'de bu alanda çalışan birçok genç araştırmacının yapmak istediği gibi kaliteli, heyecan verici, hem yazana hem okuyana bir şey katan makaleler üretmek istiyordum. Bunun kolay olmadığını da işe başlarken biliyordum.

İşin teknik tarafına baktığımda elimde bir miktar deneyim vardı. Lisans dersleri sırasında geliştirdiğim trafik işareti tanıma projesinde YOLOv5 eğitmiştim. Veri seti hazırlama, augmentasyon, early stopping mantığı, Roboflow gibi platformlarda etiketleme süreçleri benim için yabancı değildi. Ama bu birikimin tek başına yeterli olmadığını çok geçmeden gördüm.

"Bunun üzerine nasıl daha faydalı bir içerik çıkarabiliriz?" sorusuyla yola çıktık. Veri setini elde etmekle işe başladık ve önümüze neredeyse bir yıl süren bir süreç açıldı.

Her yeni veriyle birlikte etiketleme sayısı artarken bir yandan da modeli geliştirip performansla stabilite arasındaki dengeyi yakalamaya çalışıyorduk. False positive sonuçlar bir yana, panoramik röntgenlerde öyle küçük lezyonlar ve çürükler vardı ki, belli belirsiz alanlar hem klinisyenleri hem beni kararsız bırakıyordu.

Bu noktada inter-observer agreement yöntemleri hem etkili oldu hem de bir yerden sonra Roboflow'un auto detection özelliği imdadımıza yetişti. Teknolojinin bu nimetinden faydalanmak işi epey hızlandırdı.

Lezyon yazısı benim için ilk resmi yayın olduğu için heyecanım oldukça yüksekti. O döneme kadar RunPod kullanmamıştım, hangi GPU'nun hangi işe daha uygun olduğunu bile bilmiyordum.

Bu aşamada kendi üniversitemde öğretim görevlisi olan ve yapay zeka modellemesi konusunda yoğun tecrübeye sahip F. Gözükara hocadan destek aldım. Yönlendirmeleri sayesinde platformu öğrendim. Ubuntu 22.04 üzerinde Runpod PyTorch 2.8.0 sürümünü kullandım; birinde H100, diğerinde RTX PRO 6000 GPU'larla eğitim koşturmaya başladım.

İşin başında Roboflow tarafında küçük modelleri deneyip başarılı augmentasyon konfigürasyonlarını bulduk. Sonra bu veri setlerini export ederek uzak sunucularda asıl eğitimlere geçtim.

Başlangıçta gece geç saatlerde eğitimlerin başında beklemek zorlayıcıydı. Ama başarı oranları yükselip elde ettiğimiz sonuçlar tatmin edici olmaya başladığında, bu işin aslında bir kaşif ruhu taşıdığını fark ettim. Amerika'yı keşfediyor değildik elbette, ama yeni mezun bir bilgisayar mühendisinin alanında uzun yıllar deneyime sahip akademisyenlerle birlikte çalışması, az rastlanır bir fırsattı.

Her iki çalışmaya da kendi işim gibi birinci öncelikte uğraştım. Süreyi ve saati önemsemeden, "tamam, içime sindi" diyene kadar denedik.

İlk yayın, panoramik röntgenlerde sabit protezli dişlerde gelişen periapikal lezyonların otomatik tespitine ve diş kökünün altındaki lezyonla üzerindeki kuron veya kuron köprüsü arasındaki ilişkinin algoritmik olarak çözümlenmesine odaklanıyor.

Bu çalışmada İnönü Üniversitesi Diş Hekimliği Fakültesi'nden retrospektif olarak seçtiğimiz 404 panoramik röntgen üzerinde, 1.033'ü kuron ve 653'ü lezyon olmak üzere toplam 1.686 işaretleme yaptık. Beş farklı YOLO11 segmentasyon varyantını 150 epoch boyunca eğittim. En iyi sonucu YOLO11l-seg verdi: mAP50 0.885, recall 0.853, precision 0.847.

Asıl ilgi çekici sonuçlar kuron-lezyon ilişki analizinden çıktı. Lezyonların yaklaşık yüzde 85'i bir kuronla ilişkiliydi. Mandibular kuronlarda lezyon görülme oranı maksiller kuronlara göre 2.7 kat daha yüksekti. Geliştirdiğim Python algoritması bu eşleştirmeyi yüzde 95 hassasiyetle gerçekleştirebiliyordu.

Çalışma, The Journal of Prosthetic Dentistry (Elsevier) dergisinde yayımlandı.

İkinci yayında ise kuron kaplı dişlerin kenarlarında, kuron altında gelişen ucu açık çürükleri tespit edip klinisyenlerin teşhis sürecini kolaylaştırmaya odaklandık.

İlk yayından öğrendiklerimizi burada çok daha verimli kullanma şansımız oldu. 1.742 panoramik röntgen taradık, içlerinden 257 yüksek kaliteli ROI çıkardık ve iki aşamalı bir coarse-to-fine stratejisi kurguladık.

İlk aşamada YOLO11l ile kuronları lokalize ettik (mAP50 0.977). İkinci aşamada üç farklı mimariyi karşılaştırdık: YOLO11-seg varyantları, ResNet34 backbone'lu U-Net ve aynı backbone'lu U-Net++. Piksel bazlı değerlendirmede U-Net++ yüzde 71.2 Dice ile öne çıktı. Bağımsız test setinde ise yüzde 68.6 Dice skoruna ulaştık.

Bu çalışmada ayrıca model kapasitesinin veri seti büyüklüğüne göre seçilmesi gerektiğini vurgulayan ilginç bir bulguyu da paylaştık: YOLO11 varyantlarında model boyutu büyüdükçe performansın düştüğünü gözlemledik. Sonuçların tamamını ve değerlendirmeleri European Journal of Therapeutics okuyucusuna sunduk.

Bu kadar uzun yazının kısa özeti şu: araştırmaya ve çalışmaya devam etmek benim için en büyük kişisel zevk. Motivasyonu yüksek tutan şey her daim arayışta kalmak. Bir yerlerde, mutlaka, insana açılan saklı bir kapı vardır.

Benim ilk deneyimim böyle oldu. Umarım sizinkiler bundan da güzel olur.

Yayınların Bağlantıları

Detection of periapical lesions in teeth with fixed prostheses using segmentation models and analyzing crown–lesion relationships — The Journal of Prosthetic Dentistry (Elsevier), 2025.

A Two-Stage Deep Learning Approach Using YOLO11 and U-Net for Detection and Segmentation of Caries Under Crowns in Panoramic Radiographs — European Journal of Therapeutics, 2026.

1 / 2