Background/Objectives: The growing demand for artificial intelligence (AI) in healthcare is driven by the need for more robust and automated diagnostic systems. These methods not only provide accurate diagnoses but also promise to enhance operational efficiency and optimize resource utilization in clinical workflows. In the field of dental lesion detection, the application of deep learning models to various imaging techniques has gained significant prominence. This study presents a comprehensive systematic review of the utilization of deep learning methods for detecting dental lesions across different imaging modalities, including panoramic imaging, periapical radiographs, and cone-beam computed tomography (CBCT). A systematic search was conducted following the Preferred Reporting Items for Systematic Reviews and Meta-Analyses (PRISMA) guidelines to ensure a structured and transparent review process. Methods: This study addresses four key research questions related to the types of objects used for AI in dental images, state-of-the-art approaches for detecting lesions in dental images, data augmentation methods, and challenges and possible solutions to the existing AI-based dental lesion detection. Furthermore, this systematic review was performed on 29 primary studies identified from multiple electronic databases. This review focused on studies published between 2019 and 2024, sourced from IEEE, Web of Knowledge, Springer, ScienceDirect, PubMed, and Google Scholar. Results: We identified five types of lesions in dental images as periapical lesions, cyst lesions, jawbone lesions, dental caries, and apical lesions. Among the fourteen state-of-the-art deep learning approaches, the results demonstrate that deep learning models, such as U-Net, AlexNet, and You Only Look Once (YOLO) version 8 (YOLOv8) are commonly employed for dental lesion detection. These deep learning models have the potential to serve as integral components of decision-making processes by improving detection accuracy and supporting clinical workflows. Furthermore, we found that among twelve types of data augmentation techniques, flipping, rotation, and reflection methods played an important role in increasing the diversity of the datasets. We also identified six challenges for dental lesion detection, and the main issues were identified as data integration, poor data quality, limited model generalization, and overfitting. Proposed solutions against the aforementioned challenges include the integration of larger datasets, model optimization, and diversification of data sources. Conclusions: This study provides a comprehensive overview of current methodologies and potential advancements in dental lesion detection using deep learning. The findings indicate that possible solutions against the challenges of AI-based diagnostic methods in dental lesion detection need to be more generalizable regardless of image type, the number of data, and data quality.

Hierarchical Chinese postman problem (HCPP), a variant of the Chinese postman problem, aims to find the shortest tour or tours by passing through the arcs classified according to precedence relationship. HCPP, which has a wide application area in real-life problems such as shovel snow and routing patrol vehicles where precedence relations are important, belongs to the NP-hard problem class. In real-life problems, travel time between the two locations in city traffic varies due to reasons such as traffic jam, weather conditions, etc. Therefore travel times are uncertain. In this study, HCPP is handled with the chance-constrained stochastic programming approach, and a new type of problem, hierarchical Chinese postman problem with stochastic travel times, is introduced. Due to the NP-hard nature of the problem, the developed mathematical model with stochastic parameter values cannot find proper solutions in large size problems within the appropriate time interval. Therefore, two new solution approaches, a heuristic method based on the Greedy Search (GSA) algorithm and a meta-heuristic method based on ant colony optimization (ACO) are proposed in this study. These new algorithms were tested on modified benchmark instances and randomly generated problem instances with as many as 817 edges. The performance of algorithms was compared in terms of solution quality and computational time.

Ülkelerin ekonomik ve sosyal gelişimini büyük oranda etkileyen ulaşım sektörüne ve dolayısıyla rotalama problemlerine verilen önem gün geçtikçe artmaktadır. Günümüzde gerek kamu kuruluşları, gerekse özel sektörlerde rotalama faaliyetlerinde maliyet azaltıcı politikaların izlenmesi gerekmektedir. Bu bağlamda bir ürün veya kişinin gideceği yere en kısa sürede ve en az maliyetle ulaştırılması önem arz etmektedir. Rotalama problemleri ayrıt rotalama ve düğüm rotalama olmak üzere ikiye ayrılmaktadır. Bu çalışmada ayrıt rotalama problemlerinden biri olup öncelik ilişkilerine göre sınıflandırılmış ayrıtlardan en az bir kez geçilerek en kısa tur veya turların bulunmasını hedefleyen hiyerarşik Çinli postacı problemi (HÇPP) ele alınmıştır. Gerçek hayat problemlerinin birçoğunda belirsizlik nedeniyle parametreler rasgele değişken olarak karşımıza çıkmaktadır. Bir şebekede düğümler arasındaki ulaşım süresi; hava şartları, trafik yoğunluğu gibi çeşitli sebeplerden ötürü değişkenlik gösterdiği için bu çalışmada HÇPP, şans kısıtlı stokastik programlama yaklaşımı ile çözülmüştür. Çalışmada rasgele değişken olan amaç fonksiyonu katsayılarının normal dağılıma sahip olması durumunda ortaya çıkan şans kısıtlı stokastik programlama modeli kullanılarak deterministik model oluşturulmuştur. Geliştirilen stokastik parametre değerlerine sahip matematiksel model GAMS 24.2.3 paket programında CPLEX çözücü kullanılarak çözülmüştür.

Görme yetersizliğine sahip bireylerin hayatını kolaylaştırmak ve diğer bireylere bağımlılıklarını en aza indirmek amacıyla market raflarının ve ürünlerin sınıflandırılması önem arz etmektedir. Ürünlerin sınıflandırılması ve ürün raflarının tanıtılması için çeşitli görüntü işleme yöntemleri halihazırda kullanılmaktadır. Yapılan araştırmalar doğrultusunda market raflarının ve ürünlerin sınıflandırılması için çoğunlukla geleneksel yöntemlerin kullanıldığı görülmektedir. Bu çalışmada market raflarındaki ürünler geleneksel görüntü işleme yöntemlerinden farklı olarak yüksek doğruluk ve hızda sonuç verebilen derin yapay sinir ağları kullanılarak sınıflandırılmıştır. Ayrıca bu çalışmada, görme bozukluğuna sahip bireylere kolaylık sağlaması açısından gündelik hayatta kullanılan akıllı cihazlara yüklenebilen ve tüm mobil işletim sistemlerini destekleyen flutter altyapısı kullanılmıştır. Bu sayede tüm mobil platformlarda ürün detaylarını sesli ve görsel olarak kullanıcılara aktarmak hedeflenmektedir. Uygulama Türkiye'nin Erzurum ilinde bulunan bir markette yapılmıştır. Veri kümesi söz konusu marketten alınan 14 farklı kategoriye ait toplam 2222 adet görüntüden oluşmaktadır. Bu görüntüler kullanılarak veri artırma işlemi yapılmış ve sonuç olarak toplam 4585 adet görüntü YOLOv8, EfficientDet D7TF2 ve YOLOv5 modellerinin eğitilmesi ile sınıflandırılmıştır. Yapılan deneyler sonucunda en yüksek performansı YOLOv8 modelinin gösterdiği saptanmıştır. YOLOv8 modeline ait doğruluk, hassasiyet, duyarlılık ve F1 skor oranları sırasıyla %92,8, %98,6, %95 ve %96,8 olarak bulunmuştur.