Konik Işınlı Bilgisayarlı Tomografi Görüntülerinde Maksiller Sinüs Segmentasyonu İçin Yapay Zeka Sistemi

Özet

Bu çalışma, konik ışınlı bilgisayarlı tomografi (CBCT) görüntülerinde maksiller sinüsün otomatik olarak segmentasyonunu gerçekleştirmek için bir yapay zeka (AI) sisteminin uygulanmasını araştırmaktadır. Maksiller sinüsün doğru segmentasyonu, implant planlaması, sinüs patolojisi tanısı ve cerrahi öncesi değerlendirmeler gibi çeşitli diş hekimliği ve tıp uygulamaları için kritik öneme sahiptir.

Amaçlar

Bu çalışmanın birincil amacı, CBCT görüntülerinde maksiller sinüsü segmentlemek için derin öğrenme tabanlı bir AI sisteminin performansını ve doğruluğunu değerlendirmektir. Çalışma, AI sisteminin performansını deneyimli radyologlar tarafından yapılan manuel segmentasyonlarla karşılaştırmayı amaçlamaktadır.

Metodoloji

• Veri Toplama: Çalışma, maksiller sinüs değerlendirmesi gereken hastalardan elde edilen CBCT görüntüleri veri setini kullanmıştır.
• AI Modeli: Segmentasyon görevi için bir konvolüsyonel sinir ağı (CNN) kullanılmıştır. Model mimarisi, maksiller sinüs yapılarını detaylı şekilde yakalamak üzere tasarlanmıştır.
• Eğitim ve Doğrulama: Veri seti eğitim ve doğrulama setlerine ayrılmıştır. AI modeli, eğitim setinde eğitilmiş ve doğrulama setinde test edilmiştir. Deneyimli radyologlar tarafından yapılan manuel segmentasyonlar karşılaştırma için temel alınmıştır.
• Performans Metrikleri: AI sisteminin performansı, Dice Benzerlik Katsayısı (DSC), Intersection over Union (IoU), hassasiyet, duyarlılık ve genel segmentasyon doğruluğu gibi metriklerle değerlendirilmiştir.

Ana Bulgular

• Segmentasyon Doğruluğu: AI sistemi yüksek segmentasyon doğruluğu sağlamış, Dice Benzerlik Katsayısı (DSC) 0.90'ın üzerinde bir sonuç elde edilmiştir, bu da AI ve manuel segmentasyonlar arasında güçlü bir uyum gösterir. IoU metriği de yüksek doğruluğu yansıtmış, AI sisteminin maksiller sinüs sınırlarını doğru şekilde belirleme yeteneğini göstermiştir.
• Verimlilik ve Tutarlılık: AI sistemi, manuel yöntemlere kıyasla segmentasyon süresini önemli ölçüde azaltmış, klinik verimliliği artırmıştır. Otomatik segmentasyonlar, farklı hastalar ve görüntüleme koşulları arasında tutarlı olmuştur, bu da AI modelinin sağlamlığını göstermektedir.
• Klinik Uygulamalar: Maksiller sinüs segmentasyonu için AI'nin entegrasyonu, kliniklerin sinüs patolojilerini daha hızlı ve doğru bir şekilde teşhis etmelerine yardımcı olabilir. Ayrıca, dental implantlar ve diğer cerrahi müdahaleler için daha iyi planlama sağlayarak, hassas anatomik haritalar sunar.
• Manuel Segmentasyon ile Karşılaştırma: AI sistemi mükemmel performans gösterse de, bazı durumlarda kompleks anatomik varyasyonlar bulunan bölgelerde küçük farklılıklar gözlemlenmiştir. Çalışma, bu varyasyonları ele almak için sürekli model eğitimi ve çeşitli veri setleri ile doğrulamanın önemini vurgular.

Tartışma

• AI Segmentasyonunun Avantajları: AI, manuel segmentasyon için hızlı ve tutarlı bir alternatif sunar, radyologların iş yükünü azaltır ve klinik karar verme sürecini hızlandırır. AI modellerinin yüksek doğruluğu, bunların rutin klinik uygulamalarda kullanılmasını destekler ve zamanında ve hassas müdahaleler yoluyla hasta sonuçlarını iyileştirme potansiyeli taşır.
• Zorluklar ve Gelecek Yönelimler: Çalışma, model genelleştirilebilirliğini artırmak için geniş ve çeşitli eğitim veri setlerinin gerekliliğini kabul eder. Gelecek araştırmalar, AI segmentasyonunun diğer tanı araçlarıyla entegrasyonunu ve farklı anatomik bölgeler ve patolojilerdeki uygulamalarını keşfetmeyi hedefleyebilir.

Sonuç

Çalışma, özellikle CNN tabanlı AI sistemlerinin CBCT görüntülerinde otomatik maksiller sinüs segmentasyonunda son derece etkili olduğunu göstermektedir. AI destekli segmentasyonun yüksek doğruluğu ve verimliliği, diş hekimliği ve tıpta çeşitli klinik uygulamaları artırma potansiyeline sahiptir. AI teknolojisindeki devam eden ilerlemeler ve daha fazla araştırma, klinik uygulamalarda tam potansiyelinin gerçekleştirilmesi için gereklidir.