CBCT Hacimlerinde Sfenoid Sinüs ve Orta Kafa Tabanı Yapılarının Otomatik Segmentasyonu için nnU-Net v2 Tabanlı Derin Öğrenme Modeli

Özet

Amaç: Bu çalışmanın amacı, koni ışınlı bilgisayarlı tomografi (CBCT) hacimlerinde sfenoid sinüs ve orta kafa tabanı anatomik yapılarının otomatik segmentasyonu için nnU-Net v2 tabanlı bir derin öğrenme modeli geliştirmek ve modelin performansını değerlendirmektir.

Materyal ve Yöntem: Bu retrospektif çalışmada, 99 CBCT taramasında sfenoid sinüs ve çevresindeki anatomik yapılar web tabanlı etiketleme yazılımı kullanılarak anotlanmıştır. Model eğitimi, nnU-Net v2 derin öğrenme modeli ile 1000 epoch boyunca ve 0.01 öğrenme oranı ile gerçekleştirilmiştir. Modelin bu anatomik yapıları CBCT taramalarında otomatik segmentasyon başarısı; doğruluk (accuracy), hassasiyet (precision), duyarlılık (recall), Dice katsayısı (DC), %95 Hausdorff mesafesi (95% HD), birleşim/ortaklık (IoU) ve AUC gibi metrikler kullanılarak değerlendirilmiştir.

Bulgular: Geliştirilen derin öğrenme modeli, sfenoid sinüs, foramen rotundum ve Vidian kanalın segmentasyonunda yüksek başarı göstermiştir. Dice katsayısı (DC) değerlerinin değerlendirilmesinde, modelin en yüksek segmentasyon başarısını sfenoid sinüste gösterdiği ve DC değerinin 0,96 olduğu gözlemlenmiştir.

Sonuç: nnU-Net v2 tabanlı derin öğrenme modeli, orta kafa tabanındaki sfenoid sinüs, foramen rotundum ve Vidian kanal segmentasyonu için yüksek performans elde etmiştir; en yüksek DC sfenoid sinüs için gözlemlenmiştir (DC: 0,96). Bununla birlikte, model orta kafa tabanındaki diğer foramenlerin segmentasyonunda sınırlı performans göstermiştir; bu durum, söz konusu yapılar için ek optimizasyona ihtiyaç olduğunu göstermektedir.