Panoramik Radyograflarda Anatomik Yer İşaretlerinin Yapay Zeka Destekli Otomatik Tespiti

Yıl 2024, Cilt: 40 Sayı: 3, 535 - 558, 30.12.2024

Tayyip Özcan , Rümeysa Karayılan , Serkan Yılmaz

Öz

Bilişim çağı ve yapay zekayla beraber bilgisayar bilimi diğer bilim dalları ile bir arada yürütülmeye başlamıştır ve ihtiyaç doğrultusunda bu çalışmalar artmaktadır. Radyolojik inceleme alanında da bilgisayar bilimi önemini gün geçtikçe arttırmaktadır. Panoramik radyografi de bu anlamda önemli alanlardan birisidir. Genç hekimlerin ve hekim adaylarının herhangi bir teşhis koyarken klinik tecrübe yetersizliğinin olması gibi olumsuz durumlardan dolayı panoramik radyografiler için bir karar destek programı oluşturulması amaçlanmıştır. Bu çalışmada, farklı YOLO (You Only Look Once) modelleri kullanılarak panoramik radyografi üzerindeki anatomik yer işaretlerinin tespitinin otomatik olarak gerçekleştirmesi ve karşılaştırmalar sonucunda en iyi tespit sağlayan modele karar verilmesi sağlanmıştır. Çeşitli internet sitelerinden elde edilen panoramik radyografi görüntülerinden oluşan veri setlerinin birleşimi kullanılmıştır. Toplam 14 anatomik yer işaretinin otomatik tespiti yapılmıştır. Sonuçta kullanılan performans metriğine göre YOLOv5 için 0.790, YOLOv8 için 0.802, YOLOv11 için 0.810 değerlerine ulaşılmıştır. Modellerin performans değerleri karşılaştırıldığında, anatomik yer işaretlerinin otomatik tespiti için en uygun modelin YOLOv11 olduğu sonucuna varılmıştır.

Anahtar Kelimeler

Tıbbi Görüntü Analizi, Evrişimsel Sinir Ağları, Panoramik Radyografi, Anatomik Yer İşaretleri, YOLO

Kaynakça

• Pişiren A., 2020. Panoramik radyografi. (Web Sayfası: https://akinpisiren.com/panoramik-radyografi), (Erişim tarihi: Aralık 2023). [2] Duong, M. T., Rauschecker, A. M., Rudie, J. D., Chen, P. –H., Cook, T. S., Bryan, R. N., Mohan, S., 2019. “Artificial Intelligence for Precision Education in Radiology”,The British Journal of Radiology, 92, 20190389.
• [3] Diyva, V. K., Jatti, A.. Meheraj S.P., Joshi, R., 2016, “Image Processing and Parameter Extraction of Digital Panoramic Dental X-rays with ImageJ”, International Conference on Computational Systems and Information Systems for Sustainable Solutions, 450-454.
• [4] Li W., Lu Y., Zheng K., Liao H., Lin C., Luo J., Cheng C., Xiao J., Lu L., Kuo C., Miao S., 2020. Structured landmark detection via topology-adapting deep graph learning. Department of Computer Science, University of Rochester, Rochester, NY, USA, 2004.08190v6.
• [5] Shahidi S, Bahrampour E, Soltanimehr E, Zamani A, Oshagh M, Moattari M, et al. The accuracy of a designed software for automated localization of craniofacial landmarks on CBCT images. BMC Med Imaging 2014;14:32.
• [6] Ayyıldız, H., Orhan, M., & Bilgir, E. (2024). Tooth numbering with polygonal segmentation on periapical radiographs: An artificial intelligence study. Clinical Oral Investigations, 28, 610. http://doi.org/10.1007/s00784-024-05999-3
• [7] Rašić, M., Tropčić, M., Karlović, P., Gabrić, D., Subašić, M., & Knežević, P. (2023). Detection and segmentation of radiolucent lesions in the lower jaw on panoramic radiographs using deep neural networks.
• [8] Widiasri, M., Suciati, N., Arifin, A. Z., Fatichah, C., Astuti, E. R., Indraswari, R., Putra, R. H., & Choiruzain. (2022). Dental-YOLO: Alveolar bone and mandibular canal detection on cone beam computed tomography Images for dental implant planning.
• [9] Zeren, M., Arslankaya, S., Altuntaş, Y., Cam, N., Kırelli, Y., Özdemir, M., (2023). doctors versus YOLO: comparison between YOLO algorithm, orthopedic and traumatology resident doctors and general practitioners on detection of proximal femoral fractures on X-ray images with multi methods. International Journal of Artificial Intelligence Tools, 1-24. http://dx.doi.org/10.1142/S0218213023500562
• [10] Almufareh, M. F., Khan, A., Imran, M., Humayun, M., & Asim, M. (2023). Automated Brain Tumor Segmentation and Classification in MRI Using YOLO-Based Deep Learning. Jouf University, Saudi Arabia.
• [11] Lu, Y., Li, K., Pu, B., Tan, Y., Zhu, N., (2024). A YOLOX-based deep instance segmentation neural network for cardiac anatomical structures in fetal ultrasound images. IEEE/ACM Transactions on Computational Biology and Bionformatics, 21 (4), 1007-1018.
• [12] Bochkovskiy, A., Wang, C.-Y., & Liao, H.-Y. M. (2020). YOLOv4: Optimal speed and accuracy of object detection. https://arxiv.org/abs/2004.10934
• [13] Meel, A., 2021. Guide to the model & its controversy. (https://viso.ai/computer-vision/yolov5-controversy/), (Kasım 2024).
• [14] Çağıl, H., 2009. Serbest Çalışan Diş Hekimlerinin Kullandıkları Radyografik Teknik ve Ekipmanları bitirme tezi. İzmir: Ege Üniversitesi Diş Hekimliği Fakültesi Oral Diagnoz ve Radyoloji Anabilim Dalı.