Yapay zekâ sistemi kullanılarak konik ışınlı bilgisayarlı tomografi görüntülerinde temporomandibular eklem osteoartritinin sınıflandırılması
Küçük Resim Yok
Tarih
2023
Yazarlar
Dergi Başlığı
Dergi ISSN
Cilt Başlığı
Yayıncı
İnönü Üniversitesi
Erişim Hakkı
info:eu-repo/semantics/openAccess
Özet
Amaç: Bu çalışmanın amacı bir yapay zekâ modeli kullanarak KIBT görüntüleri üzerinden toplumun önemli bir çoğunluğunu etkileyen temporomandibular eklem osteoartritinin sınıflandırması ve temporomandibular eklem segmentasyonu yaparak, hastalığın teşhisinde hekimlere kolaylık ve zaman kazandıracak bir yöntem geliştirmektir. Materyal ve Metot: Bu çalışmada 290 hastaya ait KIBT DICOM görüntülerinden elde edilen 2000 adet sagittal kesit (500 sağlıklı, 500 erozyon,500 osteofit, 500 düzleşme içeren görüntü) üzerinde bir yapay zekâ modeli olan YOLOv5 mimarisinin TME segmentasyonu ve osteoartrit sınıflandırmasındaki başarısı değerlendirilmiştir. Görüntüler üzerinde temporomandibular eklemin etiketlenmesi CranioCatch etiketleme yazılımı (CranioCatch, Eskişehir, Türkiye) kullanılarak yapılmıştır. Karmaşıklık matris yöntemi kullanılarak modele ait başarı metriği hesaplanmıştır. Bulgular: Temporomandibular eklem segmentasyonu için YOLOv5 modelinin duyarlılık, kesinlik ve F1 skoru sırasıyla; 1, 0.9953, 0.9976 şeklindedir. Modelin temporomandibular eklem segmentasyonu için bulunan AUC değeri 0.9723 şeklindedir. Yine modelin temporomandibular eklem segmentasyonu için doğruluk değeri 0.9953 olarak bulunmuştur. Temporomandibular eklem osteoartrit sınıflandırması için modelin duyarlılık, kesinlik ve F1 skorları ise sırasıyla; 1, 0.7678, 0.8686 şeklindedir. Sınıflandırma için bulunan doğruluk değeri 0.7678 şeklindedir. Sonuç: Yapılan çalışmanın temporomandibular eklem osteoartritinin teşhisinde hekimlere klinik ve radyoloji rutininde kolaylık ve zaman kazandıracak bir destek mekanizması olabileceğini düşünmekteyiz. Çalışmamız ilerleyen zamanlarda yapılacak çalışmalarla daha fazla geliştirilebilir. Anahtar kelimeler: Derin öğrenme, konik ışınlı bilgisayarlı tomografi, temporomandibular eklem, temporomandibular eklem osteoartriti, yapay zeka.
Aim: The purpose of this study is to develop a method that will save time and convenience for physicians in the diagnosis of the disease by using an artificial intelligence model to classify temporomandibular joint osteoarthritis and segmentation of the temporomandibular joint, which affects a significant majority of the population, on CBCT images. Material and Method: This study assessed the performance of the YOLOv5 architecture artificial intelligence model in the segmentation of the TMJ and the classification of osteoarthritis on 2000 sagittal slices (Images containing 500 healthy, 500 erosion, 500 osteophytes, 500 flattening) obtained from CBCT DICOM images of 290 patients. The temporomandibular joint was identified on the images using the labeling program CranioCatch (CranioCatch, Eskişehir, Turkey). The complexity matrix method was used to determine the model's success metric. Results: Sensitivity, precision and F1 score of the YOLOv5 model for temporomandibular joint segmentation, respectively; 1, 0.9953, 0.9976. The model's AUC value for temporomandibular joint segmentation is 0.9723. The accuracy value for the temporomandibular joint segmentation of the model was found to be 0.9953. For the classification of temporomandibular joint osteoarthritis, the sensitivity, precision and F1 scores of the model were; 1, 0.7678, 0.8686. The accuracy value found for classification is 0.7678. Conclusion: It is thought that the study can be a support mechanism that will save physicians time and convenience in the clinical and radiology routine in the diagnosis of temporomandibular joint osteoarthritis. Our work can be further developed with future studies. Key words: Deep learning, cone beam computed tomography, temporomandibular joint, temporomandibular joint osteoarthritis, artificial intelligence.
Aim: The purpose of this study is to develop a method that will save time and convenience for physicians in the diagnosis of the disease by using an artificial intelligence model to classify temporomandibular joint osteoarthritis and segmentation of the temporomandibular joint, which affects a significant majority of the population, on CBCT images. Material and Method: This study assessed the performance of the YOLOv5 architecture artificial intelligence model in the segmentation of the TMJ and the classification of osteoarthritis on 2000 sagittal slices (Images containing 500 healthy, 500 erosion, 500 osteophytes, 500 flattening) obtained from CBCT DICOM images of 290 patients. The temporomandibular joint was identified on the images using the labeling program CranioCatch (CranioCatch, Eskişehir, Turkey). The complexity matrix method was used to determine the model's success metric. Results: Sensitivity, precision and F1 score of the YOLOv5 model for temporomandibular joint segmentation, respectively; 1, 0.9953, 0.9976. The model's AUC value for temporomandibular joint segmentation is 0.9723. The accuracy value for the temporomandibular joint segmentation of the model was found to be 0.9953. For the classification of temporomandibular joint osteoarthritis, the sensitivity, precision and F1 scores of the model were; 1, 0.7678, 0.8686. The accuracy value found for classification is 0.7678. Conclusion: It is thought that the study can be a support mechanism that will save physicians time and convenience in the clinical and radiology routine in the diagnosis of temporomandibular joint osteoarthritis. Our work can be further developed with future studies. Key words: Deep learning, cone beam computed tomography, temporomandibular joint, temporomandibular joint osteoarthritis, artificial intelligence.
Açıklama
Anahtar Kelimeler
Diş Hekimliği, Dentistry
