Nazolakrimal Kanalın Otomatik Segmentasyonu: CBCT Görüntülemede nnU-Net v2 Modelinin Uygulanması
Arka Plan ve Amaç: Anatomik yapıların segmentasyonunda, ilgili bölge/dokunun farklı yapısal özellikleri nedeniyle yapay zekâ kullanımı çeşitli zorluklar içermektedir. Bu çalışmanın amacı, konik ışınlı bilgisayarlı tomografi (CBCT) görüntülerinde nazolakrimal kanalın (NLC) nnU-Net v2 konvolüsyonel sinir ağı (CNN) modeli kullanılarak tespit edilmesi ve modelin otomatik segmentasyondaki başarısının değerlendirilmesidir.
Materyal ve Yöntem: 100 hastaya ait CBCT görüntüleri veri arşivinden rastgele seçilmiştir. Ham veriler DICOM formatında 3D Slicer görüntüleme yazılımına aktarılmıştır (Versiyon 4.10.2; MIT, Massachusetts, ABD). NLC, poligonal tipte manuel etiketleme yöntemi kullanılarak işaretlenmiştir. Veri seti eğitim, doğrulama ve test için 8:1:1 oranında ayrılmıştır. Eğitim ve test veri setlerine nnU-Net v2 mimarisi uygulanarak uygun algoritma ağırlık faktörleri tahmin edilmiş ve oluşturulmuştur. Modelin doğruluğu ve performansı karışıklık matrisi (confusion matrix) ile değerlendirilmiştir. Test sonucunda Dice Katsayısı (DC), Intersection over Union (IoU), F1-Skor ve 95% Hausdorff mesafesi (95% HD) metrikleri hesaplanmıştır.
Bulgular: Model test edildiğinde, DC, IoU, F1-Skor ve 95% HD metrik değerleri sırasıyla 0,8465, 0,7341, 0,8480 ve 0,9460 olarak bulunmuştur. Elde edilen verilere göre alıcı işletim karakteristiği (ROC) eğrisi çizilmiş ve eğri altındaki alan (AUC) 0,96 olarak belirlenmiştir.
Sonuç: Elde edilen sonuçlar, önerilen nnU-Net v2 modelinin CBCT görüntülerinde NLC segmentasyonunu yüksek hassasiyet ve doğrulukla gerçekleştirdiğini göstermektedir. NLC’nin otomatik segmentasyonu, özellikle maksiller sinüs ön duvarını etkileyen lezyonlarda kullanılacak cerrahi tekniğin belirlenmesinde klinisyenlere yardımcı olabilir.
Materyal ve Yöntem: 100 hastaya ait CBCT görüntüleri veri arşivinden rastgele seçilmiştir. Ham veriler DICOM formatında 3D Slicer görüntüleme yazılımına aktarılmıştır (Versiyon 4.10.2; MIT, Massachusetts, ABD). NLC, poligonal tipte manuel etiketleme yöntemi kullanılarak işaretlenmiştir. Veri seti eğitim, doğrulama ve test için 8:1:1 oranında ayrılmıştır. Eğitim ve test veri setlerine nnU-Net v2 mimarisi uygulanarak uygun algoritma ağırlık faktörleri tahmin edilmiş ve oluşturulmuştur. Modelin doğruluğu ve performansı karışıklık matrisi (confusion matrix) ile değerlendirilmiştir. Test sonucunda Dice Katsayısı (DC), Intersection over Union (IoU), F1-Skor ve 95% Hausdorff mesafesi (95% HD) metrikleri hesaplanmıştır.
Bulgular: Model test edildiğinde, DC, IoU, F1-Skor ve 95% HD metrik değerleri sırasıyla 0,8465, 0,7341, 0,8480 ve 0,9460 olarak bulunmuştur. Elde edilen verilere göre alıcı işletim karakteristiği (ROC) eğrisi çizilmiş ve eğri altındaki alan (AUC) 0,96 olarak belirlenmiştir.
Sonuç: Elde edilen sonuçlar, önerilen nnU-Net v2 modelinin CBCT görüntülerinde NLC segmentasyonunu yüksek hassasiyet ve doğrulukla gerçekleştirdiğini göstermektedir. NLC’nin otomatik segmentasyonu, özellikle maksiller sinüs ön duvarını etkileyen lezyonlarda kullanılacak cerrahi tekniğin belirlenmesinde klinisyenlere yardımcı olabilir.
Bilimsel Araştırma Projesi Yazmak İstiyorum
CranioCatch Diş Hekimliği alanında ağız bakımını iyileştiren Global AI destekli lider dental tıbbi teknoloji şirketidir. AI Destekli Klinik, Eğitim ve Etiketleme çözümleri ile ileri makine öğrenimi teknolojisindeki çağdaş yaklaşımlardan yararlanarak diş hastalıklarının teşhisinde ve tedavisinde önemli iyileştirmeler sağlar.
CranioCatch; Her gün dünyada binlerce diş sağlığı problemi yaşayan hastalara yenilikçi teknolojileri ile hizmet vermektedir. İşte bu yüzden değişime öncülük ediyor “Diş Hekimliğinde Bilimsel Araştırma” Alanında çalışma yapmak isteyen Değerli Diş Hekimlerimiz ile tanışmayı sabırsızlıkla bekliyoruz.
İletişime Geçin
