Giriş:
- Çalışma, yapay zeka (AI) algoritmalarının tıbbi görüntülemede, özellikle diş radyolojisinde kullanımını ele almaktadır.
- Panoramik radyografilerin, radyasyon dozu ve hasta konforu açısından diğer görüntüleme tekniklerine göre avantajları vurgulanmaktadır.
Materyaller ve Yöntemler:
Radyografik Veri Hazırlığı:
- Çalışmada kullanılan 470 panoramik radyografinin kaynağını açıklar.
- Artefakt içeren görüntülerin hariç tutulma kriterlerinden bahseder.
Görüntü Etiketleme:
- Deneyimli diş radyologları tarafından yapılan yerel doğruluk (ground truth) görüntü etiketleme sürecini detaylandırır.
Derin CNN Mimarisi:
- Semantik segmentasyon görevleri için PyTorch ile uygulanmış U-Net modelinin kullanımını açıklar.
- U-Net mimarisinin, kodlama ve çözme bölümleri, konvolüsyonel filtreler ve atlama bağlantıları ile genel bir görünümünü sunar.
Model Pipelineleri:
Model Geliştirme:
- Model geliştirmek için Python'da PyTorch kütüphanesinin kullanıldığını belirtir.
- Panoramik radyografilerde apikal lezyonların otomatik segmentasyonu için geliştirilen AI modelini (CranioCatch) tanımlar.
Veri Bölme ve Artırma:
- 470 panoramik radyografinin eğitim, doğrulama ve test gruplarına ayrıldığını açıklar.
- Eğitim veri setinin yatay ve dikey dönüşlerle artırıldığını belirtir.
Kroplama (Ön İşleme Adımı):
- Tüm görüntülerin dört parçaya bölündüğünü ve daha ileri işleme için hazırlandığını ifade eder.
Sonuçlar:
Segmentasyon Performansı:
- AI modelinin test veri setindeki segmentasyon sonuçlarını raporlar.
- Periapikal lezyonların segmentasyonu için hassasiyet, doğruluk ve F1 skoru değerlerini sunar.
Tartışma:
Klinik Uygulamalar:
- AI sistemlerinin, panoramik radyograflar üzerinden periapikal patolojinin değerlendirilmesine yardımcı olma potansiyelini tartışır.
Diğer Çalışmalarla Karşılaştırma:
- Derin öğrenme ağlarının, özellikle CNN'lerin, tıbbi görüntüleme uygulamalarındaki başarısını belirtir.
Sonuç:
- Panoramik radyografilerde apikal lezyon segmentasyonu için U-Net yaklaşımının bulgularını özetler.
