Journals Books 2687-5527 doi.org/10.36287/setsci
Latest Issue Archive Future Issues About Us
Conference Proceedings

SETSCI - Volume 5(1) (2022)
ISAS2022 - 5th International Symposium on Innovative Approaches in Smart Technologies, Online, Turkey, May 28, 2022

3D Ağız İçi Taramalarına ait Nokta Bulutu Verileri ile Derin Öğrenme Kullanılarak Diş Tipi Sınıflandırması
Furkan Şenyurt1, İsmail İşeri2*
1Ondokuz Mayıs Üniversitesi, Mühendislik Fakültesi, Bilgisayar Mühendisliği Bölümü, Samsun, Türkiye
2Ondokuz Mayıs Üniversitesi, Mühendislik Fakültesi, Bilgisayar Mühendisliği Bölümü, Samsun, Türkiye
* Corresponding author: ismail.iseri@omu.edu.tr
Published Date: 2022-06-01   |   Page (s): 69-74   |    418     15
https://doi.org/10.36287/setsci.5.1.014

ABSTRACT Son yıllarda üretim teknolojilerindeki gelişmeler, daha düşük maliyetli gelişmiş ağız içi tarayıcıların ortaya çıkmasını ve kısa sürede diş hekimliğinde kullanılmasına neden olmuştur Literatüre bakıldığında ağız içi taramalarından elde edilen ham verinin doğrudan kullanımına yönelik veya farklı 3 boyutlu veri temsil modellerine dönüştürülerek bireysel diş tanımlama, diş damak ayrımı, diş segmentasyonu ve dişlerin sınıflandırılması konusunda çalışmaların yapıldığı görülmektedir. Bu çalışmada ağız içi tarayıcılar ile elde edilen örgü (mesh) verileri 3 boyutlu nokta bulutu ağız içi diş modellerine dönüştürülmüştür. Bu 3 boyutlu diş modelleri PointNet modeli kullanılarak sınıflandırılmıştır. Çalışmada nokta sayıları kademeli olarak artırılarak ve farklı optimizasyon fonksiyonlarına göre sınıflandırma modelinin performans metrikleri incelenmiştir. Yapılan denemeler ve elde edilen sınıflandırma metrikleri açısından incelendiğinde, çalışma için en iyi sonucun 2048 nokta sayısında Doğruluk %55, Kesinlik %55, Duyarlılık %55 ve F1 skoru %54 olarak bulunmuştur. Ayrıca Adam fonksiyonu, farklı optimizasyon fonksiyonları arasında en iyi performansa sahip optimizasyon fonksiyonu olduğu anlaşılmıştır.
KEYWORDS 3B Derin Öğrenme, 3B Ağız-İçi Tarayıcıları, Diş Sınıflandırma, 3B Dental Model, Nokta Bulutu
REFERENCES [1] R. Q. Charles, H. Su, M. Kaichun, and L. J. Guibas, ‘‘PointNet: Deep learning on point sets for 3D classification and segmentation,’’ in Proc. IEEE Conf. Comput. Vis. Pattern Recognit. (CVPR), Jan. 2017, pp. 77–85.

[2] C. Qi, L. Yi, H. Su, and L. Guibas, ‘‘PointNet++: Deep hierarchical feature learning on point sets in a metric space,’’ in Proc. Adv. Neural Inf. Process. Syst., Dec. 2017, pp. 5100–5109.

[3] P. Papadakis, I. Pratikakis, S. Perantonis, and T. Theoharis, ‘‘Efficient 3D shape matching and retrieval using a concrete radialized spherical projection representation,’’ Pattern Recognit., vol. 40, no. 9, pp. 2437–2452, Sep. 2007.

[4] Q. Huang, Y. Wang, and Z. Yin, ‘‘View-based weight network for 3D object recognition,’’ Image Vis. Comput., vol. 93, Jan. 2020, Art. no. 103828

[5] Poonsri, A., Aimjirakul, N., Charoenpong, T., & Sukjamsri, C. (2016). Teeth segmentation from dental x-ray image by template matching. 2016 9th Biomedical Engineering International Conference (BMEiCON), 1-4.

[6] Tian, S., Dai, N., Zhang, B., Yuan, F., Yu, Q., & Cheng, X. (2019). Automatic Classification and Segmentation of Teeth on 3D Dental Model Using Hierarchical Deep Learning Networks. IEEE Access, 7, 84817-84828.

[7] Xu, X., Liu, C., & Zheng, Y. (2019). 3D Tooth Segmentation and Labeling Using Deep Convolutional Neural Networks. IEEE Transactions on Visualization and Computer Graphics, 25, 2336-2348.

[8] O. Vinyals, S. Bengio, and M. Kudlur, ‘‘Order matters: Sequence to sequence for sets,’’ 2015, arXiv:1511.06391. [Online]. Available: http://arxiv.org/abs/1511.06391

[9] S. Ravanbakhsh, J. Schneider, and B. Poczos, ‘‘Deep learning with sets and point clouds,’’ 2016, arXiv:1611.04500.

[10] M. Zaheer, S. Kottur, S. Ravanbakhsh, B. Poczos, R. R. Salakhutdinov, and A. J. Smola, ‘‘Deep sets,’’ in Proc. Adv. Neural Inf. Process. Syst., Dec. 2017, pp. 3392–3402.

[11] P. Daras and A. Axenopoulos, ‘‘A 3D shape retrieval framework supporting multimodal queries,’’ Int. J. Comput. Vis., vol. 89, nos. 2–3, pp. 229–247, Sep. 2010.

[12] Y. Yang, C. Feng, Y. Shen, and D. Tian, ‘‘FoldingNet: Point cloud autoencoder via deep grid deformation,’’ in Proc. IEEE/CVF Conf. Comput. Vis. Pattern Recognit., Jun. 2018, pp. 206–215.

[13] J. Li, B. M. Chen, and G. H. Lee, ‘‘SO-net: Self-organizing network for point cloud analysis,’’ in Proc. IEEE/CVF Conf. Comput. Vis. Pattern Recognit., Salt Lake City, UT, USA, Jun. 2018, pp. 9397–9406.

[14] Miki, Y., Muramatsu, C., Hayashi, T., Zhou, X., Hara, T. Katsumata, A. & Fujita, H. (2017). Classification of teeth in cone-beam ct using deep convolutional neural network. In Computers in biology & medicine, vol. 80, pp. 24–29

[15] Tuzoff, D. V., Tuzova, L. N., Bornstein, M. M., Krasnov, A. S., Kharchenko, M. A., Nikolenko, S. I., Sveshnikov, M. M. Bednenko, & G. B. (2019). Tooth detection & numbering in panoramic radiographs using convolutional neural networks. In Dentomaxillofacial Radiology, vol. 48, no. 4, p. 20180051

[16] Wu, K., Chen, L., Li, J. & Zhou, Y. (2014). Tooth segmentation on dental meshes using morphologic skeleton. In Comput. Graph., vol. 38, no. 1, pp. 199–211

[17] Kumar, Y., Janardan, R., Larson, B. & Moon, J. (2011). Improved segmentation of teeth in dental models. In Comput.-Aided Des. Appl., vol. 8, no. 2, pp. 211–224

[18] Li, Z. & Wang, H. (2016). Interactive tooth separation from dental model using segmentation field. In PLoS ONE, vol. 11, no. 8, Art. no. e0161159.

[19] Lian, C., Wang, L., Wu, T., Liu, M., Durán, F., Ko, C., & Shen, D. (2019). MeshSNet: Deep Multi-scale Mesh Feature Learning for Endto-End Tooth Labeling on 3D Dental Surfaces. MICCAI.

[20] Ibáñez, L. (2014). STL file format MeshIO class for ITK. The Insight Journal.


SET Technology - Turkey

eISSN  : 2687-5527    
DOI : doi.org/10.36287/setsci

E-mail : info@set-science.com
+90 533 2245325

Tokat Technology Development Zone Gaziosmanpaşa University Taşlıçiftlik Campus, 60240 TOKAT-TURKEY
©2018 SET Technology