Sefalometrik Görüntülerde Ortodontik İskeletsel Sınıflamanın Federe Derin Öğrenme Tabanlı Yöntemlerle Yer İşareti Tespitine Gerek Kalmadan Algılanması (Federated Learning-Based Cnn Models For Orthodontic Skeletal Classification And Diagnosis)

<strong>Abstract</strong>:

The study aims to evaluate the effectiveness of Federated Convolutional Neural Network (CNN) models for orthodontic skeletal classification using cephalometric images obtained from the ISBI and Dicle datasets. The base DenseNet121 model and its advanced versions, incorporating specific CNN blocks such as “Channel Attention,” “Spatial Attention,” “Squeeze-Excitation,” and “Spatial Pyramid Pooling,” were employed for classification. The models were assessed and compared across Centralized Learning (CL), Local Learning (LL), and Federated Learning (FL) architectures.

The advanced DenseNet121 models demonstrated a significant accuracy improvement of over 24% compared to the baseline model. Notably, the DenseNet121_SA model, enhanced with Spatial Attention, exhibited a remarkable 19% performance increase in the ISBI dataset under the LL architecture. Additionally, the DenseNet121_SA_SE model, augmented with both Spatial Attention and Squeeze-Excitation, achieved an impressive 18% performance gain in the ISBI dataset under LL settings.

Federated CNN models, particularly DenseNet121_SA and DenseNet121_SA_SE, show promising potential in the field of orthodontic skeletal classification. The Dicle dataset, compiled and labeled for this study, will be shared at the end of the project, serving as a valuable resource for AI-based orthodontic dental image analysis. This contribution is expected to facilitate more precise diagnoses over time. The findings also highlight FL’s role in enhancing scalability and data privacy in AI-driven orthodontic research.

<strong>Note</strong>: The data for Class_1, Class_2, and Class_3 has been saved in folders named 0, 1, and 2, respectively.

---------------------------------------------------------------------------------------------------------------------------------------------------------

<strong>Öz</strong>:

ISBI ve Dicle veri setlerinden elde edilen sefalometrik görüntüler kullanılarak ortodontik iskelet sınıflandırması için Federe Evrişisimsel Sinir Ağları (ESA) modellerinin etkinliğini değerlendirmek amaçlanmıştır. Temel DenseNet121 modeli ve “Kanal Dikkat”, “Uzamsal Dikkat”, “Sıkma Uyarma” ile “Uzamsal Piramit Havuzlama” gibi belirli ESA bloklarını içeren gelişkin versiyonları sınıflandırma amacıyla kullanılmıştır. Modeller, Merkezi Öğrenme (MÖ), Yerel Öğrenme (YÖ) ve Federe Öğrenme (FÖ) mimarilerde değerlendirilmiş ve karşılaştırılmıştır. Gelişkin DenseNet121 modelleri, temel modelle karşılaştırıldığında %24'ün üzerinde bir değer ile önemli bir doğruluk artışı gözlemlenmiştir. Özellikle, Uzamsal Dikkat ile artırılmış DenseNet121_SA modeli, ISBI veri setinde YÖ mimarisine göre %19 gibi dikkate değer bir performans artışı göstermiştir. Ayrıca, Uzamsal Dikkat ve Sıkma Uyarma ile artırılmış DenseNet121_SA_SE modeli, aynı ISBI veri setinde YÖ ayarlarına göre %18'lik etkileyici bir performans kazancı sergilemiştir. Federe ESA modellerinin, özellikle DenseNet121_SA ve DenseNet121_SA_SE olmak üzere, ortodontik iskelet sınıflandırma alanında umut vadettiği gözlenmiştir. Bu çalışma için derlenen ve etiketlenen Dicle veri setinin proje sonunda paylaşılması, yapay zeka temelli ortodontik diş görüntü analizi çalışmaları açısından önemli bir kaynak olacak ve bu alanda zamanla daha kesin teşhislerin konulmasının önünü açacaktır. Elde edilen bulgular, FÖ’nün ortodonti ile ilgili yapay zeka çalışmalarındaki ölçeklenebilirlik ve veri mahremiyeti konularındaki rolünü de göstermektedir.

<br>
<strong>Not</strong>: Sınıf_1, Sınıf_2, Sınıf_3 verileri sırasıyla 0, 1 ve 2 ismindeki klasörlerde kaydedilmiştir.