Derin öğrenme tabanlı evrişimli sinir ağı algoritması kullanarak panoramik radyograflarda taurodont dişlerin varlığını tespit etme

Giriş

Bu çalışma, panoramik radyografilerin analizi yoluyla taurodont dişlerin teşhisinde derin öğrenme tabanlı bir konvolüsyonel sinir ağı (CNN) tekniğinin kullanımını araştırmaktadır. Taurodontizm, uzamış bir pulpa odası ve kısa köklerle karakterize edilen bir diş anomalisidir ve diş tedavilerini karmaşık hale getirebilir.

Panoramik Radyografilerin Önemi

Panoramik radyografiler, tüm dişlerin tek bir filmde kapsamlı bir şekilde görünmesini sağladıkları için diş anomali teşhisinde değerlidir. Özellikle pediatrik diş hekimliği için düşük radyasyon maruziyeti ve zaman verimliliği nedeniyle faydalıdırlar. Ancak, bu görüntülerin yorumlanması, öznel değerlendirmeler ve gözlemciler arasındaki değişkenlik nedeniyle zorlayıcı olabilir.

Yapay Zekanın Rolü

Yapay zeka, diş hekimlerine teşhis hatalarını azaltmalarında yardımcı olmak için bir karar destek sistemi olarak önerilmektedir, özellikle yüksek iş yükü olan ortamlarda. Ayrıca, verilerin standartlaştırılmasına, görüntülerin arşivlenmesine ve erken teşhis ile tedavi planlamasına yardımcı olabilir. Çalışma, yapay zekanın daha az deneyimli uygulayıcılar tarafından gözden kaçırılabilecek detayları yakalama potansiyelini vurgulamaktadır.

Metodoloji

Çalışma, üç türe ayrılmış 126 etiketli taurodont diş içeren bir veri seti kullanmıştır: hipotaurodont, mesotaurodont ve hipertaurodont. Radyolojik sınıflandırma için geliştirilmiş oran tabanlı bir ölçüm olan taurodont indeksi (TI), taurodontizmin şiddetini nesnel bir şekilde değerlendirmek için kullanılmıştır.

Sonuçlar

Farklı taurodont diş türleri için ortalama TI puanları şu şekilde rapor edilmiştir:

• Hipotaurodont: 26.30 ± 2.33
• Mesotaurodont: 34.61 ± 3.25
• Hipertaurodont: 82.55 ± 24.34

Bu puanlar, test grubundaki taurodontizm şiddetinin farklı derecelerini göstermektedir.

Segmentasyondaki Zorluklar

Çalışma, çok köklü dişlerin, özellikle maksiller molarların, anatomik yapılarla (maksiller sinüs gibi) örtüşmesi nedeniyle segmentasyonundaki karmaşıklıkları vurgulamaktadır. Bu karmaşıklık, taurodontizmin otomatik segmentasyonu ve teşhisinde zorluklar yaratmaktadır.

Gelecek Yönelimler

Çalışma, gelecekteki araştırmaların, maksilla ile mandibula arasındaki taurodont dişlerin tespitini karşılaştırmak için alt grup analizlerini içerebileceğini ve yapay zekanın farklı anatomik bağlamlarda nasıl uygulanabileceği konusunda anlayışı artırabileceğini önermektedir.

Sonuç

Bu araştırma, yapay zekanın diş teşhislerine entegrasyonunda önemli bir adımı temsil etmektedir, özellikle taurodont dişlerin tanımlanmasında. Bulgular, derin öğrenme tekniklerinin teşhis doğruluğunu artırma ve diş hekimlerine klinik karar verme süreçlerinde destek olma potansiyelini vurgulamaktadır.