Yapay Zekâ Tabanlı Tam Otomatik 3B Paranazal Sinüs Segmentasyonu

Özet

Amaç: Paranazal sinüslerin doğru 3B segmentasyonu, doğru tanı ve tedavi için kritik öneme sahiptir. Bu çalışmanın amacı, nnU-Net v2 mimarisi kullanarak paranazal sinüsler için tamamen otomatik bir segmentasyon algoritması geliştirmektir.

Yöntem: nnU-Net v2 tabanlı segmentasyon algoritması Python 3.6.1 ve PyTorch kütüphanesi kullanılarak geliştirilmiş ve 97 konik ışınlı bilgisayarlı tomografi (CBCT) taraması üzerinde performansı değerlendirilmiştir. Referans anotasyonlar, uzman radyologlar tarafından 3D Slicer yazılımı kullanılarak, sagittal, koronal ve aksiyal düzlemlerde çokgen etiketleme yöntemi ile manuel olarak oluşturulmuştur. Model performansı; doğruluk (accuracy), Dice katsayısı (DC), duyarlılık (sensitivity), hassasiyet (precision), Jaccard indeksi, eğri altındaki alan (AUC) ve %95 Hausdorff mesafesi (95% HD) gibi nicel metriklerle değerlendirilmiştir.

Bulgular: nnU-Net v2 tabanlı algoritma, tüm paranazal sinüslerde yüksek segmentasyon performansı göstermiştir. Dice katsayıları frontal sinüs için 0,94, sfenoid sinüs için 0,95, maksiller sinüs için 0,97 ve etmoid sinüs için 0,88 olarak bulunmuştur. Doğruluk skorları tüm sinüslerde %99’un üzerindedir. %95 Hausdorff mesafesi değerleri frontal ve maksiller sinüsler için 0,51 mm, sfenoid sinüs için 0,85 mm ve etmoid sinüs için 1,17 mm olarak belirlenmiştir. Jaccard indeksleri sırasıyla 0,90, 0,91, 0,94 ve 0,80’dir.

Sonuçlar: Bu çalışma, nnU-Net v2 tabanlı CNN modelinin CBCT görüntülerinden paranazal sinüslerin tamamen otomatik segmentasyonunda yüksek doğruluk ve hassasiyet sağladığını göstermektedir. Elde edilen sonuçlar, önerilen modelin tanısal ve tedavi süreçlerinde klinik karar alma mekanizmalarına önemli katkı sağlayabileceğini düşündürmektedir.