Yapay zeka algoritmaları kullanılarak konik ıs¸ınlı bilgisayarlı tomografi görüntülerinde semento-osseöz lezyonların tespiti
Küçük Resim Yok
Tarih
2024
Yazarlar
Dergi Başlığı
Dergi ISSN
Cilt Başlığı
Yayıncı
İnönü Üniversitesi
Erişim Hakkı
info:eu-repo/semantics/openAccess
Özet
Amaç: Bu çalışmanın amacı KIBT görüntüleri üzerinde yapay zeka algoritmaları kullanılarak semento-osseöz lezyonların segmentasyonunu gerçekleştirmek ve semento-osseöz lezyonların teşhisi için tasarlanmış tanı amaçlı yapay zeka modelinin tanısal performansını değerlendirmektir. Materyal ve Metod: Bu çalışma için İnönü Üniversitesi Diş Hekimliği Fakültesi Ağız, Diş ve Çene Radyolojisi Anabilim Dalı radyoloji arşivinde bulunan farklı sebepler neticesinde çekilmiş KIBT görüntüleri retrospektif olarak taranmıştır. Radyografik değerlendirme sonucunda arşive semento-osseöz lezyon tanısı ile kaydedilen görüntüler belirlenmiştir. 50 hastanın DICOM görüntüsü 3D Slicer yazılımına yüklenerek semento-osseöz lezyonlar poligonal şekilde etiketlenmiş ve NIfTI formatında kaydedilmiştir. Lezyonların segmentasyonu için nnU-Netv2 tabanlı otomatik algoritma, CranioCatch (Eskişehir, Türkiye) yazılım programı ile Python çerçevesinde (v3.6.1; Python Software Foundation, Wilmington, DE, ABD) PyTorch kütüphanesi kullanılarak geliştirilmiştir. Verilerin %80'ı eğitim, %10'u doğrulama ve %10'u test için kullanılmıştır. Sonuçlar, kesinlik, duyarlılık, Dice Katsayısı, Jaccard İndeksi kriterlerine göre değerlendirilmiştir. Bulgular:Semento-osseöz lezyonların segmentasyonu için kesinlik, duyarlılık, Dice Katsayısı ve Jaccard İndeksi değerleri sırası ile 0.805, 0.889, 0.839 ve 0.730 olarak tespit edilmiştir. Sonuç: Kullandığımız model semento-osseöz lezyon segmentinde başarılı sonuçlar elde etmiştir. Planlanan bu çalışmanın sonuçları hekimlere tanı koymada yol gösterici bir seçenek sunması açısından umut vericidir. Anahtar Kelimeler: Derin öğrenme, konik ışınlı bilgisayarlı tomografi, semento-osseöz lezyon, yapay zeka
Aim: The aim of this study is to perform segmentation of cemento-osseous lesions using artificial intelligence algorithms on KIBT images and to evaluate the diagnostic performance of a diagnostic artificial intelligence model designed for the diagnosis of cemento-osseous lesions. Material and Method: For this study, CBCT images taken for various reasons in the radiology archive of Inonu University Faculty of Dentistry, Department of Oral and Maxillofacial Radiology were retrospectively reviewed. As a result of the radiographic evaluation, the images recorded in the archive with the diagnosis of cemento-osseous lesion were determined. 50 DICOM images of 50 patients were uploaded to 3D slicer software and cemento-osseous lesions were polygonally labeled and saved in NIfTI format. The nnU-Netv2-based automated algorithm for lesion segmentation was developed in the CranioCatch(CranioCatch, Eskişehir) software program using the PyTorch library in the Python framework (v3.6.1; Python Software Foundation, Wilmington, DE, USA). 80% of the data was used for training, 10% for validation and 10% for testing. The results were evaluated according to the criteria of precision, sensitivity, Dice Coefficient, Jaccard Index. Results:The precision, sensitivity, Dice Coefficient and Jaccard Index values for segmentation of cemento-osseous lesions were 0.805, 0.889, 0.839 and 0.730, respectively. Conclusion: The model we used achieved successful results in the cemento-osseous lesion segment. The results of this planned study are promising in terms of providing a guiding option for physicians in diagnosis. Keywords: Deep learning, cone beam computed tomography, cemento-osseous lesion, artificial intelligence
Aim: The aim of this study is to perform segmentation of cemento-osseous lesions using artificial intelligence algorithms on KIBT images and to evaluate the diagnostic performance of a diagnostic artificial intelligence model designed for the diagnosis of cemento-osseous lesions. Material and Method: For this study, CBCT images taken for various reasons in the radiology archive of Inonu University Faculty of Dentistry, Department of Oral and Maxillofacial Radiology were retrospectively reviewed. As a result of the radiographic evaluation, the images recorded in the archive with the diagnosis of cemento-osseous lesion were determined. 50 DICOM images of 50 patients were uploaded to 3D slicer software and cemento-osseous lesions were polygonally labeled and saved in NIfTI format. The nnU-Netv2-based automated algorithm for lesion segmentation was developed in the CranioCatch(CranioCatch, Eskişehir) software program using the PyTorch library in the Python framework (v3.6.1; Python Software Foundation, Wilmington, DE, USA). 80% of the data was used for training, 10% for validation and 10% for testing. The results were evaluated according to the criteria of precision, sensitivity, Dice Coefficient, Jaccard Index. Results:The precision, sensitivity, Dice Coefficient and Jaccard Index values for segmentation of cemento-osseous lesions were 0.805, 0.889, 0.839 and 0.730, respectively. Conclusion: The model we used achieved successful results in the cemento-osseous lesion segment. The results of this planned study are promising in terms of providing a guiding option for physicians in diagnosis. Keywords: Deep learning, cone beam computed tomography, cemento-osseous lesion, artificial intelligence
Açıklama
Diş Hekimliği Fakültesi, Ağız, Diş ve Çene Radyolojisi Ana Bilim Dalı
Anahtar Kelimeler
Diş Hekimliği, Dentistry
