U-Net Yaklaşımlarıyla Diş Bite-Wing Radyografilerinin Değerlendirilmesi: Bir Yapay Zeka Çalışması

Giriş
- Genel Bakış: Çalışma, diş bite-wing radyografilerinin değerlendirilmesinde yapay zeka (YZ), özellikle de U-Net konvolüsyonel sinir ağı (CNN) kullanımını araştırmaktadır.
- Önemi: Bite-wing radyografiler diş tanısında kritik bir rol oynamaktadır. YZ kullanımı, diş koşullarının tespitinde verimliliği ve doğruluğu artırabilir.
- YZ'nin Radyolojideki Rolü: YZ, özellikle derin öğrenme yöntemleri, tıbbi tanılarda umut verici sonuçlar göstermiş ve insan gözlemcilerine kıyasla hata oranlarını azaltmıştır.
Materyaller ve Yöntemler
- Veri Toplama: Eskisehir Osmangazi Üniversitesi Diş Hekimliği Fakültesi'nden 500 bite-wing radyografisi kullanıldı. Hatalı olanlar dışarıda bırakıldı ve yüksek kaliteli görüntüler seçildi.
- Görüntüleme: Radyografiler ProX periapikal X-ray cihazı kullanılarak alındı ve CranioCatch etiketleme yazılımında saklandı.
- Görüntü Etiketleme: Diş çürüğü, diş kaplaması, diş pulpası, diş restoratif dolgu materyali ve diş kanal dolgusu materyali olmak üzere beş diş tanısı etiketlendi.
- Model Geliştirme: PyTorch kütüphanesi kullanılarak U-Net modeli uygulandı. Model, yüzde 80 eğitim, yüzde 10 test ve yüzde 10 doğrulama olarak bölünmüş bir veri seti üzerinde eğitildi.
- Eğitim ve Test: Model, 0.0001 öğrenme oranı ile 200 epoch boyunca eğitildi. Eğitimde 16 GB RAM ve NVIDIA GeForce GTX 1660 TI grafik kartına sahip bir bilgisayar kullanıldı.
Sonuçlar
- Performans Ölçütleri: Modelin performansı hassasiyet, doğruluk ve F1 skorları kullanılarak değerlendirildi. Her diş durumu için sonuçlar umut vericidir:
  - Diş Çürüğü: F1 skoru 0.8818, hassasiyet 0.8235, doğruluk 0.9491.
  - Diş Kaplaması: F1 skoru 0.9629, hassasiyet 0.9285, doğruluk 1.
  - Diş Pulpası: F1 skoru 0.9631, hassasiyet 0.9843, doğruluk 0.9429.
  - Restoratif Malzeme: F1 skoru 0.9714, hassasiyet 0.9622, doğruluk 0.9807.
  - Kanal Dolgusu: F1 skoru 0.9722, hassasiyet 0.9459, doğruluk 1.
Tartışma
- Sonuçların Önemi: YZ modeli, bite-wing radyografilerini değerlendirmede yüksek doğruluk ve güvenilirlik göstermektedir. Bu, diş hekimlerine klinik ortamlarda yüklerini azaltarak ve tanı verimliliğini artırarak önemli bir destek sağlayabilir.
- Gelecek Yönelimleri: Çalışma, daha büyük veri setleri ve farklı radyografi türleri ile YZ modellerinin daha da geliştirilmesi ve doğrulanmasını önermektedir.
Sonuç
- Özet: U-Net tabanlı YZ modeli, diş bite-wing radyografilerini otomatik olarak doğru bir şekilde değerlendirme potansiyeline sahiptir.
- Klinik Etki: Bu tür YZ modelleri, diş hekimlerine hızlı ve güvenilir tanı desteği sağlayarak hasta bakımını geliştirebilir.

Bilimsel Araştırma Projesi Yazmak İstiyorum

CranioCatch Diş Hekimliği alanında ağız bakımını iyileştiren Global AI destekli lider dental tıbbi teknoloji şirketidir. AI Destekli Klinik, Eğitim ve Etiketleme çözümleri ile ileri makine öğrenimi teknolojisindeki çağdaş yaklaşımlardan yararlanarak diş hastalıklarının teşhisinde ve tedavisinde önemli iyileştirmeler sağlar.

CranioCatch; Her gün dünyada binlerce diş sağlığı problemi yaşayan hastalara yenilikçi teknolojileri ile hizmet vermektedir. İşte bu yüzden değişime öncülük ediyor “Diş Hekimliğinde Bilimsel Araştırma” Alanında çalışma yapmak isteyen Değerli Diş Hekimlerimiz ile tanışmayı sabırsızlıkla bekliyoruz.