Derin öğrenme ile restorasyonların tespit edilerek panoramik dental görüntülerden kimlik tespiti

Abstract

Dental biyometri ile; dental bilgi ve bulguları kullanarak kişi kimliklendirme yapılmaktadır. Genellikle afet ve kaza gibi yumuşak dokuların zarar gördüğü durumlarda ölmüş kişilerin ölüm öncesi ve ölüm sonrası diş görüntülerini diş konturları (sınırları), restorasyonlar, dişlerin sayısı ve şekli ile dişlerin konumları gibi özellikleri birbirleriyle karşılaştırarak kişi kimliklendirme gerçekleştirilir. Günümüzde görüntüleri eşleştirmek için diş numaralarına ve restorasyon türlerine göre metin araması yapan CAPMI (Computer Assisted Postmortem Identification System – Bilgisayar Destekli Ölüm Sonrası Tanımlama Sistemi) ve WinID (Windows Identification Utility- Windows Tanılama Yardımcısı) gibi metin bazlı karşılaştırma yapan programlar kullanılmaktadır. Ayrıca, son yıllarda literatürde makine öğrenmesi kullanarak dental görüntülerden kimliklendirme yapmak için de çalışmalar bulunmaktadır. Bu tezde, dental biyometri için diş restorasyonlarının derin öğrenme yöntemlerinden Evrişimli Sinir Ağları (ESA) ile tespit edilmesi ve kişi kimliklendirmenin tespit edilen restorasyon çizelgelerinin karşılaştırılarak yapılması hedeflenmiştir. Bölütlenen dişler için bir ESA oluşturularak beş farklı restorasyon tipi öğrenilmiştir. Bir panoramik dental görüntünün her dişi sınıflandırılarak diş çizelgesi oluşturulmuştur. Diş çizelgelerinin karşılaştırılarak kimliklendirme yapılması için Destek Vektor Makinesi (DVM) ve rastgele orman yöntemleri kullanılmıştır. Geliştirilen metot 183 kişiye ait 261 panoramik dental görüntü üzerinde denemiş ve Rastgele Orman Metodu %94, DVM ise %96 başarım göstermiştir.

Person identification is performed by comparing the features, such as tooth contours, number and shape of teeth, tooth restorations and relative teeth positions, of ante-mortem and post-mortem dental images of deceased people where soft tissues are damaged in disasters and accidents. Text-based comparison programs such as CAPMI (Computer Assisted Postmortem Identification System) and WinID (Windows Identification Utility) are used to match images according to tooth numbers and restoration types. Recently, there are studies for human idenfication from dental images with machine learning in the literature. In this thesis, it is aimed to detect dental restorations with Convolutional Neural Networks (CNN) and to perform person identification according to these detected restorations. Five different restoration types were learned by constructing a CNN for segmented the teeth. A dental chart was created by classifying each tooth of a panoramic dental image. Support Vector Machine (SVM) and Random Forest methods were used for identification by comparing tooth charts. The developed method was tested on 261 different X-ray images of 183 different people. The identification accuracy of the random forest method was 94%, and the SVM was 96%.