Diş Periapikal Radyografilerinde Otomatik Özellik Segmentasyonu

Giriş
Bu çalışma, periapikal radyografilerde diş hastalıklarını teşhis etmek için Yapay Zeka (YZ), özellikle Konvolüsyonel Sinir Ağları (CNN'ler) uygulamalarını araştırmaktadır. Amaç, bu radyografilerde özellik segmentasyonunu otomatikleştirerek teşhis doğruluğunu artırmak ve klinik süreçlere yardımcı olmaktır.

Materyaller ve Yöntemler

• Hasta Seçimi: Eskişehir Osmangazi Üniversitesi Diş Hekimliği Fakültesi'nden alınan 1169 periapikal radyografi içeren veri seti kullanılmıştır. Görüntüler Ocak 2016 ile Haziran 2020 arasında çekilmiştir.
• Radyografik Veri Seti: Radyografiler, belirli parametrelerle ProX periapikal X-ray cihazı kullanılarak çekilmiş ve ProScanner Fosfor Plaka ve Tarama Sistemi ile işlenmiştir.
• Görüntü Değerlendirme: Radyografiler, deneyimli bir araştırma asistanı ve dento-maksillofasiyal radyolog tarafından CranioCatch etiketleme yazılımı kullanılarak farklı diş bulguları için etiketlenmiştir.
• Derin Konvolüsyonel Sinir Ağı: Çalışma, PyTorch kütüphanesi ile uygulanmış U-Net modelini kullanmıştır. U-Net’in mimarisi, doğru görüntü segmentasyonunu kolaylaştıran U şeklinde bir yapıyı içerir.

Model Boru Hattı ve Eğitim Aşaması

• PyTorch kütüphanesi ve Python kullanılarak model geliştirilmiştir.
• Eğitim, Dell PowerEdge sunucuları kullanılarak gerçekleştirilmiştir. Görüntüler 512 × 512 boyutlarına yeniden boyutlandırılmış ve yoğunluk normalizasyonu ve CLAHE gibi tekniklerle iyileştirilmiştir.
• Veri %80 eğitim, %10 test ve %10 doğrulama olarak bölünmüştür. Modelin öğrenme oranı 0.0001 olarak ayarlanmıştır.

İstatistiksel Analiz

• Model performansı, hassasiyet, doğruluk ve F1 skoru gibi metrikleri hesaplamak için bir karmaşıklık matrisi kullanılmıştır.
• Metrik Hesaplama:
  • Doğru Pozitif (TP): Doğru bir şekilde tespit edilen ve segmentlenen diş teşhisleri.
  • Yanlış Pozitif (FP): Yanlış tespit edilmiş ancak segmentlenmiş diş teşhisleri.
  • Yanlış Negatif (FN): Yanlış tespit edilmiş ve segmentlenmiş diş teşhisleri.
  • Hassasiyet: TP / (TP + FN)
  • Doğruluk: TP / (TP + FP)
  • F1 Skoru: 2TP / (2TP + FP + FN)
  • Kesişen Üzerinde Birlik (IoU): Model performansını, tahmin edilen segmentasyonu gerçek veri ile karşılaştırarak değerlendirmek için kullanılmıştır.

Sonuçlar
YZ modeli, çürük lezyonlar, diş kaplamaları, diş pulpası, diş dolguları, periapikal lezyonlar ve kök kanal dolguları dahil olmak üzere çeşitli diş durumları için segmentasyon doğruluğunu önemli ölçüde artırmıştır. Farklı durumlar için performans metrikleri yüksek hassasiyet, doğruluk ve F1 skorları göstermiştir.

Sonuç
Çalışma, özellikle CNN tabanlı modellerin periapikal radyografilerin otomatik segmentasyonu aracılığıyla diş teşhislerinin doğruluğunu artırma potansiyelini göstermektedir. Sonuçlar, AI'nın rutin klinik iş akışlarına entegrasyonunun güçlü bir klinik karar destek sistemi sunma konusunda umut verici olduğunu göstermektedir.