Dental bitewing radyografilerinde çürük tespiti ve segmentasyonu için derin öğrenme yaklaşımı

Özet Çalışmanın amacı, diş bitewing radyografilerinde çürük tespiti ve segmentasyonu için Konvolüsyonel Sinir Ağları (CNN) kullanarak otomatik bir model geliştirmek ve değerlendirmektir. Bu amaçla, VGG-16 ve U-Net mimarileri kullanılmaktadır. AI modelinin performansı, insan gözlemcileri ile karşılaştırılmıştır.

Amaçlar

• CNN algoritmalarına dayanan otomatik bir çürük tespiti ve segmentasyon modelini önermek.
• Modelin klinik performansını insan gözlemcileri ile karşılaştırmak.

Yöntemler

• Veri Toplama: 621 anonimleştirilmiş bitewing radyografisi, Ordu Üniversitesi Radyoloji Arşivi'nden temin edilmiştir.
• Algoritmalar: Çürük tespiti için VGG-16, segmentasyon için U-Net mimarileri PyTorch ile uygulanmıştır.
• Yerel Doğruluk: Anotasyonlar, ağız ve çene cerrahisi radyoloji uzmanı ve restoratif diş hekimliği uzmanı tarafından sağlanmıştır.
• Model Eğitimi: Veri seti, eğitim, doğrulama ve test gruplarına ayrılmıştır. Çeşitli ön işleme adımları ve veri artırma teknikleri uygulanmıştır.
• Performans Ölçütleri: Model performansı, hassasiyet, doğruluk ve F1-skora ile değerlendirilmiştir.

Sonuçlar

• Tespit Modeli Performansı:
  • Hassasiyet: 0.84
  • Doğruluk: 0.84
  • F1-Skoru: 0.84
• Segmentasyon Modeli Performansı:
  • Hassasiyet: 0.81
  • Doğruluk: 0.86
  • F1-Skoru: 0.84
• İnsan Gözlemcileri ile Karşılaştırma:
  • AI modelleri, dış radyografik veri setlerinde asistan uzmanlara kıyasla üstün performans göstermiştir.

Sonuç CNN tabanlı AI algoritmaları, diş bitewing radyografilerinde çürükleri doğru ve etkili bir şekilde tespit ve segmentasyon yapma potansiyeline sahiptir. Bu AI modelleri, klinik karar destek sistemleri olarak hizmet edebilir ve klinik uygulamalarda klinisyenlere yardımcı olabilir.