Konik Işınlı Bilgisayarlı Tomografi Görüntülerinin Yapay Zekâ ile Değerlendirilmesi

Özet

Bu çalışmanın amacı, konvolüsyonel sinir ağı (CNN) tabanlı algoritmalar kullanılarak geliştirilen yapay zekâ modellerinin CBCT görüntüleri üzerindeki başarısını değerlendirmektir. Toplam 300 CBCT görüntüsünden oluşan veri setinde; çürük, restoratif dolgu materyali, kanal dolgu materyali, dental implant, implant destekli kron, kron, pontik, gömülü diş, süpernümerer diş, rezidüel kök, osteosklerotik alan, periapikal lezyon, radyolüsent çene lezyonu, radyoopak çene lezyonu ve mikst görünümlü çene lezyonu olmak üzere 15 farklı durum için segmentasyon yöntemi ile etiketleme yapılmıştır.

Model geliştirme sürecinde, transfer öğrenme yöntemi olarak Mask R-CNN mimarisi ve ResNet-101 modeli kullanılmıştır. Modellerin başarı metrikleri, karmaşıklık (confusion) matrisi yöntemi ile hesaplanmıştır. Geliştirilen modellerin F1 skorları değerlendirildiğinde, en başarılı sonucun dental implant için 1 olduğu, en düşük F1 skorunun ise mikst görünümlü çene lezyonlarında elde edildiği belirlenmiştir. F1 skorları sırasıyla; dental implant için 1, kök kanal dolgu materyali için 0,99, implant destekli kron için 0,98, restoratif dolgu materyali için 0,98, radyoopak çene lezyonu için 0,97, kron için 0,96, pontik için 0,96, gömülü diş için 0,95, çürük için 0,94, rezidüel diş kökü için 0,94, radyolüsent çene lezyonu için 0,94, osteosklerotik alan için 0,90, periapikal lezyon için 0,90, süpernümerer diş için 0,87 ve mikst görünümlü çene lezyonu için 0,80 olarak bulunmuştur.

CBCT görüntülerinin yorumlanması, zaman alıcı olup uzmanlık gerektiren bir süreçtir. Dijital dönüşüm çağında, görüntüleri otomatik olarak değerlendirebilen ve karar destek mekanizması olarak rapor formatına dönüştürebilen yapay zekâ tabanlı sistemler, hekimlerin iş yükünü azaltarak patolojilerin yorumlanmasına ayrılan sürenin artırılmasına katkı sağlayacaktır.