Konik Işınlı Bilgisayarlı Tomografi Görüntüleri Kullanarak YOLOv5 Mimarisi ile İkinci Mesiyobukkal Kanal Segmentasyonu

Giriş

Bu çalışmanın amacı, You Only Look Once v5 (YOLOv5x) mimarisine dayanan bir derin öğrenme modeli kullanarak maksiller molarlarda ikinci mesiobukkal (MB2) kanalları tespit etmektir. MB2 kanalları, endodontik tedavinin başarısı için önemlidir, ancak tespiti zor olabilir.

Malzemeler ve Yöntemler

- 153 hastanın KBCT görüntülerinden elde edilen 922 aksiyal kesit kullanıldı.

- MB2 kanalları, poligonal teknikler kullanılarak manuel olarak etiketlendi.

- Görüntü yeniden boyutlandırma ve iyileştirme tekniklerini içeren ön işleme adımları uygulandı.

- Eğitim, 16 GB VRAM ve 5120 CUDA Çekirdeğine sahip bir NVIDIA V100 GPU kullanılarak gerçekleştirildi.

Sonuçlar

- Derin öğrenme modeli, MB2 kanal segmentasyonu için 0.92 duyarlılık, 0.83 kesinlik ve 0.87 F1 skoru elde etti.

- ROC grafiğinde eğri altındaki alan (AUC) 0.84 olarak bulundu.

- 0.5 IoU'da ortalama hassasiyet (mAP) değeri 0.88 olup, MB2 kanal tespitinde yüksek doğruluğa işaret etmektedir.

Tartışma

- Çalışma, AI modellerinin MB2 kanalları gibi kök kanal varyasyonlarını belirleyerek endodontik tedavi sonuçlarını iyileştirme potansiyelini göstermektedir.

- YOLOv5 mimarisi, karmaşık dental yapıların etkin bir şekilde tespit edilmesinde umut verici olup, tedavi başarısını artırmakta ve klinisyenlerin zamanını kazandırmaktadır.

Sonuç

- Derin öğrenme algoritması, maksiller molarlarda MB2 kanallarını başarıyla tespit ederek, klinisyenler için güvenilir ve hızlı bir yöntem sunmaktadır.

- CBCT görüntülerinde AI kullanımı, kanalların üç boyutlu olarak incelenmesine olanak tanıyarak endodontikte tanısal yetenekleri artırmaktadır.