Özet
Arka Plan: Gömülü kanin dişler, maksillofasiyal uygulamalarda en sık karşılaşılan dental anomalilerden biridir. Bu dişlerin doğru lokalizasyonu, tedavi planlaması açısından kritik öneme sahiptir ve konik ışınlı bilgisayarlı tomografi (CBCT), bu amaçla ayrıntılı üç boyutlu görüntüleme sunmaktadır. Ancak CBCT görüntülerinde manuel segmentasyon zaman alıcıdır ve gözlemciler arası farklılıklara açıktır. Bu çalışmanın amacı, gömülü kanin dişlerin otomatik segmentasyonu için nnU-Net v2 tabanlı bir derin öğrenme modeli geliştirmek ve modelin performansını hem sınıflandırma hem de segmentasyon metrikleri ile değerlendirmektir.
Yöntemler: Gömülü kanin diş içeren toplam 159 CBCT taraması retrospektif olarak toplanmış ve web tabanlı segmentasyon yazılımı kullanılarak anotasyonlanmıştır. Model eğitimi, nnU-Net v2 mimarisi kullanılarak 0,00001 öğrenme oranı ile 1000 epok boyunca gerçekleştirilmiştir. Model performansı duyarlılık (recall) ve hassasiyet (precision) metrikleri ile değerlendirilmiştir. Ayrıca segmentasyon performansı; Dice Benzerlik Katsayısı (DSC), %95 Hausdorff Mesafesi (95% HD, mm) ve Birleşim/Kesişim Oranı (Intersection over Union, IoU) kullanılarak analiz edilmiştir.
Bulgular: nnU-Net v2 modeli, gömülü kanin dişlerin tespiti ve segmentasyonunda yüksek performans göstermiştir. Duyarlılık ve hassasiyet değerleri sırasıyla 0,90 ve 0,82 olarak elde edilmiştir. Segmentasyon metrikleri de olumlu bulunmuş; DSC 0,84, %95 Hausdorff mesafesi 7,07 mm ve IoU değeri 0,74 olarak hesaplanmıştır. Bu sonuçlar, tahmin edilen segmentasyonlar ile referans segmentasyonlar arasında iyi düzeyde örtüşme olduğunu göstermektedir.
Sonuçlar: Elde edilen bulgular, nnU-Net v2 tabanlı derin öğrenme modelinin CBCT hacimlerinde gömülü kanin dişleri etkili ve otonom bir şekilde segmentleyebildiğini göstermektedir. Modelin güçlü performansı, yapay zekânın dentomaksillofasiyal radyolojide tanısal verimliliği artırma potansiyelini ortaya koymaktadır.
