Özet
Bu çalışma, bitewing radyografilerde kalıcı dişlerin otomatik tanımlanması ve numaralandırılması için derin öğrenme tekniklerinin kullanımını araştırmaktadır. Doğru diş numaralandırması, klinik karar süreçlerinde zaman tasarrufu sağlamak ve hata riskini azaltmak için kritik öneme sahiptir.
Amaç
Çalışmanın amacı, derin öğrenme modellerinin bitewing radyografilerde kalıcı dişleri tespit etme ve doğru şekilde numaralandırmadaki etkinliğini değerlendirmektir. Bu teknolojinin diş hekimliği pratiğine entegrasyonu, tanısal süreçleri hızlandırabilir ve doğruluğu artırabilir.
Yöntemler
- Veri Toplama: Çalışmada, Eskişehir’de geliştirilen CranioCatch etiketleme programı kullanılarak 1248 bitewing radyografi görüntüsü anotlanmıştır.
- Derin Öğrenme Modeli: Kalıcı dişleri tanımlamak ve numaralandırmak için YOLOv5 mimarisi tabanlı bir derin öğrenme modeli geliştirilmiş ve eğitilmiştir.
- Eğitim ve Test: Veri seti, modelin doğruluğunu ve genellenebilirliğini değerlendirmek için eğitim (n = 1000, %80), doğrulama (n = 124, %10) ve test (n = 124, %10) setlerine ayrılmıştır. Görüntülere etiketlenen bölgelerin netliğini artırmak için 3 × 3 çarpışma işlemi uygulanmıştır.
- Performans Metrikleri: Modelin performansı, F1 skoru, duyarlılık ve doğruluk ile ölçülmüş; tahminler insan uzmanlarının değerlendirmeleri ile karşılaştırılmıştır.
Bulgular
- Model Performansı:
- YOLOv5 tabanlı model, test veri setinde F1 skoru 0,9913, duyarlılık 0,9954 ve doğruluk 0,9873 değerlerini elde ederek kalıcı dişlerin tespitinde yüksek doğruluk ve hassasiyet göstermiştir.
- Verimlilik ve Hız:
- Model, manuel değerlendirmelere kıyasla çok daha hızlı sonuçlar sağlayarak klinik ortamlarda zaman tasarrufu sağlamaktadır.
- Klinik Uygulamalar:
- Yapay zekâ destekli otomatik diş tanımlama ve numaralandırma sistemi, diş hekimlerinin karar süreçlerini destekleyebilir ve tanı doğruluğunu artırabilir.
Sonuç
Çalışma, derin öğrenmeye dayalı otomatik değerlendirme modellerinin bitewing radyografilerde kalıcı dişlerin tanımlanması ve numaralandırılmasında etkili bir araç olduğunu göstermektedir. Bu teknolojinin diş hekimliği pratiğine entegrasyonu, tanı sürecinin hızını ve doğruluğunu artırarak klinik verimliliği iyileştirebilir.
