CBCT Görüntülerinde nnU-Net v2 Kullanılarak Hiyoid Kemiğinin Otomatik 3B Segmentasyonu: Model Performansı ve Potansiyel Klinik Kullanım Üzerine Retrospektif Bir Çalışma

Özet

Amaç: Bu çalışma, koni ışınlı bilgisayarlı tomografi (CBCT) görüntülerinde hiyoid kemiğini (HB) nnU-Net tabanlı yapay zeka (AI) modeli ile tespit etmeyi ve modelin otomatik segmentasyondaki başarısını değerlendirmeyi amaçlamıştır.

Materyal ve Yöntem: 190 hastaya ait CBCT görüntüleri rastgele seçilmiştir. Ham veriler DICOM formatına dönüştürülerek 3D Slicer Görüntüleme Yazılımına (Sürüm 4.10.2; MIT, Cambridge, MA, ABD) aktarılmıştır. HB, 3D Slicer kullanılarak manuel olarak etiketlenmiştir. Veri seti eğitim, doğrulama ve test gruplarına 8:1:1 oranında bölünmüştür. Eğitim ve test veri setlerinin işlenmesi için nnU-Net v2 mimarisi kullanılarak algoritmanın ağırlık faktörleri üretilmiştir. Modelin doğruluğunu ve performansını değerlendirmek için karışıklık matrisi (confusion matrix) uygulanmıştır. Sonuçları değerlendirmek için F1 skoru, Dice katsayısı (DC), 95% Hausdorff mesafesi (95% HD) ve Kesişim/Birleşim (IoU) metrikleri hesaplanmıştır.

Bulgular: Modelin performans metrikleri şu şekilde bulunmuştur: DC = 0,9434, IoU = 0,8941, F1 skoru = 0,9446 ve 95% HD = 1,9998. Alıcı işletim karakteristiği (ROC) eğrisi oluşturulmuş ve eğri altındaki alan (AUC) değeri 0,98 olarak belirlenmiştir.

Sonuç: Bulgular, nnU-Net v2 modelinin CBCT görüntülerinde HB segmentasyonunda yüksek hassasiyet ve doğruluk sağladığını göstermiştir. HB’nin otomatik segmentasyonu, çeşitli klinik durumların tanı ve tedavisinde klinisyenlerin karar verme hızını ve doğruluğunu artırabilir.