Giriş
Bu çalışma, derin öğrenme algoritmalarını kullanarak ultrasonografi görüntülerinde masseter kası segmentasyonunu değerlendiren bilgisayar tabanlı tanı araçlarını geliştirmeyi ve test etmeyi amaçlamaktadır. Masseter kası, çiğneme fonksiyonunda kritik bir rol oynar ve kalınlığı yüz morfolojisi ve okklüzyon faktörlerini etkileyebilir. Ultrason görüntüleme, bu kasları invaziv olmayan bir şekilde incelemek için yararlıdır.
Materyaller ve Yöntemler
- Veri Toplama: Çalışma, anonim yetişkinlerden alınan 388 ultrasonografi görüntüsünü içerdi. Bu görüntüler, CranioCatch etiketleme programı ile çokgen etiketleme yöntemi kullanılarak etiketlendi.
- Veri Seti Bölünmesi: Görüntüler, eğitim (312), doğrulama (38) ve test (38) setlerine ayrıldı.
- Derin Öğrenme Modeli: Yapay zeka modeli, biyomedikal segmentasyonunda etkili olan PyTorch U-Net mimarisi kullanılarak geliştirildi.
Sonuçlar
U-Net modeli, test görüntülerinin tümünü başarıyla tespit etti ve segment etti. Başarı metrikleri arasında F1 skoru, hassasiyet ve doğruluk tümü mükemmel bir skor olan 1.0 değerini elde etti.
Tartışma
Ultrason görüntüleme, kas-iskelet sistemi incelemeleri için güvenilir bir tanı aracıdır. Derin öğrenme yaklaşımı, özellikle U-Net mimarisini kullanarak, masseter kaslarının segmentasyonunda yüksek doğruluk ve geri çağırma (recall) gösterdi. Çalışma, YZ'nin niceliksel değerlendirmeleri otomatikleştirme ve tanı verimliliğini artırma potansiyelini vurgulamaktadır. Ancak, daha büyük veri setlerine ihtiyaç duyulması ve farklı mimarilerin daha fazla araştırılması gibi sınırlamalar da kabul edilmektedir.
Sonuç
YZ, ultrasonografi görüntülerinde masseter kaslarının segmentasyonunu otomatikleştirmede önemli bir potansiyel göstermektedir ve tıp uzmanlarının tanı süresini ve çabasını azaltmasına yardımcı olabilir. Gelecek araştırmalar, veri setlerini genişletmeye ve YZ modellerini daha da iyileştirmeye odaklanmalıdır.
