U-Net Yaklaşımlarıyla Diş Bite-Wing Radyografilerinin Değerlendirilmesi: Bir Yapay Zeka Çalışması

  1. Giriş

    • Genel Bakış: Çalışma, diş bite-wing radyografilerinin değerlendirilmesinde yapay zeka (YZ), özellikle de U-Net konvolüsyonel sinir ağı (CNN) kullanımını araştırmaktadır.
    • Önemi: Bite-wing radyografiler diş tanısında kritik bir rol oynamaktadır. YZ kullanımı, diş koşullarının tespitinde verimliliği ve doğruluğu artırabilir.
    • YZ'nin Radyolojideki Rolü: YZ, özellikle derin öğrenme yöntemleri, tıbbi tanılarda umut verici sonuçlar göstermiş ve insan gözlemcilerine kıyasla hata oranlarını azaltmıştır.

  2. Materyaller ve Yöntemler

    • Veri Toplama: Eskisehir Osmangazi Üniversitesi Diş Hekimliği Fakültesi'nden 500 bite-wing radyografisi kullanıldı. Hatalı olanlar dışarıda bırakıldı ve yüksek kaliteli görüntüler seçildi.
    • Görüntüleme: Radyografiler ProX periapikal X-ray cihazı kullanılarak alındı ve CranioCatch etiketleme yazılımında saklandı.
    • Görüntü Etiketleme: Diş çürüğü, diş kaplaması, diş pulpası, diş restoratif dolgu materyali ve diş kanal dolgusu materyali olmak üzere beş diş tanısı etiketlendi.
    • Model Geliştirme: PyTorch kütüphanesi kullanılarak U-Net modeli uygulandı. Model, yüzde 80 eğitim, yüzde 10 test ve yüzde 10 doğrulama olarak bölünmüş bir veri seti üzerinde eğitildi.
    • Eğitim ve Test: Model, 0.0001 öğrenme oranı ile 200 epoch boyunca eğitildi. Eğitimde 16 GB RAM ve NVIDIA GeForce GTX 1660 TI grafik kartına sahip bir bilgisayar kullanıldı.

  3. Sonuçlar

    • Performans Ölçütleri: Modelin performansı hassasiyet, doğruluk ve F1 skorları kullanılarak değerlendirildi. Her diş durumu için sonuçlar umut vericidir:
      • Diş Çürüğü: F1 skoru 0.8818, hassasiyet 0.8235, doğruluk 0.9491.
      • Diş Kaplaması: F1 skoru 0.9629, hassasiyet 0.9285, doğruluk 1.
      • Diş Pulpası: F1 skoru 0.9631, hassasiyet 0.9843, doğruluk 0.9429.
      • Restoratif Malzeme: F1 skoru 0.9714, hassasiyet 0.9622, doğruluk 0.9807.
      • Kanal Dolgusu: F1 skoru 0.9722, hassasiyet 0.9459, doğruluk 1.

  4. Tartışma

    • Sonuçların Önemi: YZ modeli, bite-wing radyografilerini değerlendirmede yüksek doğruluk ve güvenilirlik göstermektedir. Bu, diş hekimlerine klinik ortamlarda yüklerini azaltarak ve tanı verimliliğini artırarak önemli bir destek sağlayabilir.
    • Gelecek Yönelimleri: Çalışma, daha büyük veri setleri ve farklı radyografi türleri ile YZ modellerinin daha da geliştirilmesi ve doğrulanmasını önermektedir.

  5. Sonuç

    • Özet: U-Net tabanlı YZ modeli, diş bite-wing radyografilerini otomatik olarak doğru bir şekilde değerlendirme potansiyeline sahiptir.
    • Klinik Etki: Bu tür YZ modelleri, diş hekimlerine hızlı ve güvenilir tanı desteği sağlayarak hasta bakımını geliştirebilir.
Makalenin Tamamını Okuyun