U-Net Yaklaşımı ile Panoramik Radyografilerde Apikal Lezyon Segmentasyonu

Giriş:

• Çalışma, yapay zeka (AI) algoritmalarının tıbbi görüntülemede, özellikle diş radyolojisinde kullanımını ele almaktadır.
• Panoramik radyografilerin, radyasyon dozu ve hasta konforu açısından diğer görüntüleme tekniklerine göre avantajları vurgulanmaktadır.

Materyaller ve Yöntemler:

Radyografik Veri Hazırlığı:

• Çalışmada kullanılan 470 panoramik radyografinin kaynağını açıklar.
• Artefakt içeren görüntülerin hariç tutulma kriterlerinden bahseder.

Görüntü Etiketleme:

• Deneyimli diş radyologları tarafından yapılan yerel doğruluk (ground truth) görüntü etiketleme sürecini detaylandırır.

Derin CNN Mimarisi:

• Semantik segmentasyon görevleri için PyTorch ile uygulanmış U-Net modelinin kullanımını açıklar.
• U-Net mimarisinin, kodlama ve çözme bölümleri, konvolüsyonel filtreler ve atlama bağlantıları ile genel bir görünümünü sunar.

Model Pipelineleri:

Model Geliştirme:

• Model geliştirmek için Python'da PyTorch kütüphanesinin kullanıldığını belirtir.
• Panoramik radyografilerde apikal lezyonların otomatik segmentasyonu için geliştirilen AI modelini (CranioCatch) tanımlar.

Veri Bölme ve Artırma:

• 470 panoramik radyografinin eğitim, doğrulama ve test gruplarına ayrıldığını açıklar.
• Eğitim veri setinin yatay ve dikey dönüşlerle artırıldığını belirtir.

Kroplama (Ön İşleme Adımı):

• Tüm görüntülerin dört parçaya bölündüğünü ve daha ileri işleme için hazırlandığını ifade eder.

Sonuçlar:

Segmentasyon Performansı:

• AI modelinin test veri setindeki segmentasyon sonuçlarını raporlar.
• Periapikal lezyonların segmentasyonu için hassasiyet, doğruluk ve F1 skoru değerlerini sunar.

Tartışma:

Klinik Uygulamalar:

• AI sistemlerinin, panoramik radyograflar üzerinden periapikal patolojinin değerlendirilmesine yardımcı olma potansiyelini tartışır.

Diğer Çalışmalarla Karşılaştırma:

• Derin öğrenme ağlarının, özellikle CNN'lerin, tıbbi görüntüleme uygulamalarındaki başarısını belirtir.

Sonuç:

• Panoramik radyografilerde apikal lezyon segmentasyonu için U-Net yaklaşımının bulgularını özetler.