Accurate detection of impacted teeth in panoramic radiographs is critical for effective diagnosis and treatment planning in dentistry. Traditional segmentation methods often face challenges in achieving accurate detection due to the anatomical complexity and variability of dental structures. This study aims to address these limitations by performing a comprehensive comparative analysis of four advanced pixel-based segmentation models - U-Net, FPN, PSPNet and LinkNet - integrated with ten different backbone architectures. Using a meticulously annotated dataset of 407 high-resolution panoramic radiographs, the models were rigorously trained and evaluated using robust performance metrics, including accuracy, precision, recall, F1 score, and Intersection over Union (IoU). Among the configurations tested, the U-Net model with an EfficientNetB7 backbone achieved the highest performance, with an average IoU score of 85.29%, demonstrating superior accuracy and reliability. The main contributions of this study are the in-depth comparison of state-of-the-art segmentation models, the identification of the most effective architectures tailored for dental radiograph segmentation, and new insights into the advantages of pixel-based approaches over region-based methods commonly used in previous studies. These findings highlight the strengths and limitations of each model, providing practical guidance for researchers and clinicians in selecting appropriate solutions for impacted teeth detection. In addition, the study highlights the potential for future advances through hybrid approaches and customized model designs to further improve detection accuracy and clinical applicability. As a result, this research demonstrates the transformative potential of integrating artificial intelligence into dental diagnostics, paving the way for more accurate, efficient and scalable solutions to improve clinical decision-making.

Gömülü diş tespiti, diş hekimliği uygulamalarında önemli bir adımdır ve doğru bir tespit süreci, tedavi planlaması ve teşhislerde büyük önem taşır. Geleneksel yöntemlerin sınırlamaları ve hata olasılıkları göz önüne alındığında, derin öğrenme modelleri gibi yapay zekâ temelli yaklaşımların kullanılması giderek daha yaygın hale gelmektedir. Bu çalışmada panoramik gömülü diş görüntülerinde derin öğrenme modellerinin performansı incelenmiştir Yedi farklı modelin (VGG16-Unet, VGG19-Unet, MobileNetV2, Unet-v1, Unet-v2, Unet-v3 ve Unet-v4) performansı değerlendirilmiştir. VGG16-Unet modelinin AUC (eğri altındaki alan) değeri %94.87 ile diğer modellere kıyasla daha yüksek bulunmuştur. Bu çalışma, diş hekimliği alanında daha doğru ve hassas segmentasyon yöntemleri geliştirilmesine katkı sağlayarak, diş tespiti ve tedavi planlaması süreçlerinde daha güvenilir sonuçlar elde edilmesini desteklemektedir.

Alzheimer's Disease (AD), a form of dementia prevalent in older age, is a neurodegenerative condition impacting brain nerve cells. Early-stage AD symptoms are often subtle, complicating timely diagnosis. Early detection allows for intervention, slowing disease progression and facilitating appropriate treatments. Deep learning methods, particularly gradient-based images, prove promising for early Alzheimer's detection in Magnetic Resonance (MR) imaging. Gradient-based images, highlighting details in low-intensity images and enhancing contrast, play a vital role in determining structures' location, shape, and size, notably in techniques like Magnetic Resonance Imaging (MRI). This study aims to boost model performance in early AD detection by applying the Gradient filter before training deep learning models on diverse-angle and constant-density brain MRI images. The dataset comprises three categories representing early-stage AD, including images of mild cognitive impairment and healthy individuals. Original and gradient-filtered image subsets were inputted into deep learning models. Results indicate superior performance of gradient-based images, with the Densenet201 deep learning model achieving the highest accuracy at 98.63%.

Diş sağlığı, genel sağlık ve yaşam kalitesi üzerinde önemli bir etkiye sahiptir. Gömülü dişlerin segmentasyonu, diş hekimliğinde erken teşhis ve tedavi için kritik öneme sahip bir adımdır. Bu çalışmada, panoramik diş görüntülerindeki gömülü dişlerin doğru bir şekilde tanımlanması amacıyla derin öğrenme tekniklerinin kullanılması ele alınmıştır. Bu kapsamda, gömülü diş segmentasyonu için ResNet omurga ağına dayalı Piramit Sahne Ayrıştırma Ağı (PSPNet) geliştirilmiştir. Önerilen mimaride, önceden eğitilmiş ResNet omurga ağının ResNet18, ResNet34, ResNet50, ResNet101 ve ResNet152 versiyonları adapte edilmiştir. Bu çalışmada elde edilen bulgular göz önüne alındığında, diş görüntülerindeki segmentasyon ve tanıma süreçlerinde en yüksek başarıyı ResNet18 modeli ile elde edilmiştir (%92.09 F1 Skor, %93.88 Kesinlik, %90.39 Duyarlılık, %85.34 IoU Skor ve %96.89 Dice Katsayısı). Bu araştırma, panoramik diş görüntüleri üzerinde yapılan çalışmalar sonucunda, yetişkin hastalarda gömülü dişlerin başarıyla tespit edilme oranının yüksek olduğunu ortaya koymaktadır. Bu bulgular, yapay zekanın diş hekimleri için etkili bir yardımcı araç olabileceğini vurgulamakta ve sağlık sektöründeki yapay zeka gelişimine olan güveni artırmaktadır.