Yazarlar
Cansu Görürgöz, Kaan Orhan, İbrahim Sevki Bayrakdar, Özer Çelik, Elif Bilgir, Alper Odabaş, Ahmet Faruk Aslan, Rohan Jagtap
Dergi
Dentomaxillofacial Radiology, 2022
Amaçlar
Çalışmanın amacı, periapikal radyografilerde dişlerin tespiti ve numaralandırılması için Faster Region-based Convolutional Neural Network (R-CNN) algoritmasının performansını değerlendirmektir.
Yöntemler
- Veri Toplama: Çalışma, hastalardan retrospektif olarak 1686 periapikal radyografi topladı.
- Model Eğitimi: Transfer öğrenme teknikleri kullanılarak veri setini işlemek ve eğitmek için önceden eğitilmiş GoogLeNet Inception v3 CNN modeli kullanıldı.
- Algoritma Bileşenleri:
- Çene Sınıflandırma Modeli
- Bölge Tespit Modelleri
- Tüm modelleri entegre eden Son Algoritma
- Performans Ölçütleri: Hassasiyet, doğruluk, gerçek pozitif oranı, yanlış pozitif/negatif oranları bir karmaşıklık matrisi kullanılarak hesaplandı.
Sonuçlar
AI algoritması, CranioCatch, R-CNN inception mimarisine dayalı olarak periapikal görüntülerde dişleri otomatik olarak tespit etmek ve numaralandırmak üzere tasarlandı. 156 periapikal radyografideki 864 dişten 668 diş doğru şekilde numaralandırıldı.
Performans Ölçütleri
- F1 Skoru: 0.8720
- Doğruluk: 0.7812
- Hassasiyet: 0.9867
Sonuç
Çalışma, CNN algoritmasının diş tespiti ve numaralandırmadaki yüksek doğruluk ve verimliliğini göstermiştir. Derin öğrenme tabanlı yöntemler, klinik çalışanların iş yükünü azaltarak, diş kayıtlarını iyileştirerek ve acil durumlar için yanıt süresini kısaltarak yardımcı olabilir. Ayrıca, bu teknoloji adli bilimler alanında da önemli katkılarda bulunabilir.
