Konvolüsyonel Sinir Ağı Tabanlı Yapay Zeka Algoritmasının Otomatik Sepalometrik Landmark Tespiti Performansı

Amaç: Çalışma, diş ve iskelet bozukluklarının tanı ve tedavisi için kritik öneme sahip olan sefalometrik landmark'ları otomatik olarak tespit eden bir yapay zeka (YZ) modeli geliştirmeyi hedeflemektedir.

Yöntemler:

• 1620 lateral sefalogram elde edilmiştir.
• 21 landmark dahil edilmiştir.
• Etiketlenmiş veri seti: 1360 eğitim, 140 doğrulama ve 180 test için ayrılmıştır.
• Konvolüsyonel sinir ağı (CNN) tabanlı bir YZ algoritması geliştirilmiştir.
• Performans, 2 mm, 2.5 mm, 3 mm ve 4 mm aralıklarında ortalama radyal hata ve başarı tespit oranı kullanılarak değerlendirilmiştir.

Sonuçlar:

• AI sistemi (CranioCatch) 21 anatomik landmark'ı tespit etmiştir.
• Sella noktası için en yüksek başarı tespit oranı: %98.3 (2 mm), %99.4 (2.5 mm), %99.4 (3 mm), %99.4 (4 mm).
• Sella noktası için ortalama radyal hata ± standart sapma: 0.616 ± 0.43.
• Gonion noktası için en düşük başarı tespit oranı: %48.3 (2 mm), %62.8 (2.5 mm), %73.9 (3 mm), %87.2 (4 mm).
• Gonion noktası için ortalama radyal hata ± standart sapma: 8.304 ± 2.98.

Sonuç: Otomatik landmark tespitinin klinik kullanım için yeterli başarıyı sağlamamasına rağmen, YZ tabanlı sefalometrik analiz sistemlerinin tanı, tedavi planlaması ve klinik ortodonti pratiğinde takip süreçlerini geliştirme konusunda umut verici olduğu görülmektedir.

Giriş: Ortodonti, maloklüzyonlar ve kraniyofasiyal yapıların kusurlarının tanı ve düzeltilmesine odaklanır. Hassas tanı ve tedavi planlaması kritik öneme sahiptir ve sıklıkla iskelet ilişkileri ve büyüme kalıpları hakkında kritik bilgiler sağlayan sefalometrik radyografilere dayanır. Bu radyografilerde manuel landmark tespiti zahmetli ve değişkenliğe eğilimlidir; bu nedenle AI tabanlı otomatik tespit sistemleri geliştirilmiştir.

Yöntemler:

• Radyografik Görüntü Veri Setleri: 9-20 yaş aralığındaki hastaların lateral sefalometrik görüntüleri kullanılmıştır. Hata veya artefakt içeren görüntüler hariç tutulmuştur.
• Gerçek Veri Etiketleme: 21 sefalometrik landmark, CranioCatch Etiketleme Yazılımı kullanılarak işaretlenmiştir.
• Derin Öğrenme Mimarisi: Çalışma, bir omurga ağı, çok ölçekli özellik toplama (MSFA) ve özellik iyileştirme (FR) içeren bir özellik toplama ve iyileştirme ağı (FARNet) kullanmıştır.
• Model Geliştirme: Model Python ve PyTorch kütüphanesi kullanılarak geliştirilmiş, 1360 görüntü ile eğitim yapılmış, 140 görüntü ile doğrulama yapılmış ve 180 görüntü ile test edilmiştir.
• Model Performansının Değerlendirilmesi: Performans, ortalama radyal hata (MRE) ve standart sapma (SD) ile birlikte, 2 mm, 2.5 mm, 3 mm ve 4 mm hassasiyet aralıklarında başarı tespit oranları (SDR) kullanılarak ölçülmüştür.

Sonuçlar:

• AI sistemi (CranioCatch), değişken başarı oranlarına sahip 21 anatomik landmark'ı başarılı bir şekilde tespit etmiştir.
• En yüksek tespit doğruluğu sella noktası için sağlanmış, en düşük doğruluk ise Gonion noktası için elde edilmiştir.
• Her landmark için detaylı performans metrikleri sağlanmış ve tespit doğruluğundaki değişkenlik vurgulanmıştır.

Tartışma: Çalışma, derin öğrenme tabanlı YZ algoritmalarının tıbbi görüntü analizindeki potansiyelini, özellikle ortodontideki kullanımını tartışmaktadır. Bazı tespit doğruluğu sınırlamalarına rağmen, YZ tabanlı sistemler, sefalometrik analizleri otomatikleştirerek zaman tasarrufu sağlama ve klinik uygulamalardaki değişkenliği azaltma konusunda önemli bir vaat sunmaktadır. Çalışma, klinik olarak kabul edilebilir performans seviyelerine ulaşmak için daha fazla iyileştirme gerektiğini kabul etmektedir.