KONİK IŞINLI BİLGİSAYARLI TOMOGRAFİ GÖRÜNTÜLERİNDEKİ PERİAPİKAL LEZYONLARIN YAPAY ZEKA İLE DEĞERLENDİRİLMESİ
Tezin Türü: Tıpta Uzmanlık
Tezin Yürütüldüğü Kurum: Gazi Üniversitesi, Diş Hekimliği Fakültesi, Klinik Bilimler, Türkiye
Tezin Onay Tarihi: 2025
Tezin Dili: Türkçe
Öğrenci: HASAN ÖKSÜZOĞLU
Danışman: Özgür Topuz
Özet:Bu çalışmanın amacı Konik Işınlı Bilgisayarlı Tomografi (KIBT) görüntülerindeki periapikal lezyonları yapay zeka algoritmaları kullanarak tespit etmek ve periapikal lezyonların segmentasyonunu gerçekleştirmek için tasarlanmış yapay zeka modelinin performansını değerlendirmektir. Bu çalışma için Craniocatch (Eskişehir, Türkiye) şirketinin veri tabanında yer alan, farklı sebeplerle çekilmiş periapikal lezyon içeren 150 KIBT görüntüsü seçilmiştir. 10 KIBT, kötü görüntü kalitesi sebebiyle çalışma dışı bırakıldıktan sonra 140 KIBT üzerinden çalışma sürdürülmüştür. Seçilen KIBT görüntüleri Digital Imaging and Communications in Medicine (DICOM) formatında Craniocatch şirketinin web tabanlı yazılımına yüklendikten sonra görüntülerdeki periapikal lezyonlar aksiyel düzlemde poligonal şekilde etiketlenmiş ve Neuroimaging Informatics Technology Initiative (NIfTI) formatında kaydedilmiştir. Periapikal lezyonların segmentasyonu için Python (v3.6.1; Python Software Foundation, Wilmington, DE, ABD) kullanılarak PyTorch derin öğrenme çerçevesi ile nnU-Net v2 tabanlı bir model geliştirildi. Model, 0.00001 öğrenme oranıyla 1000 epoch (döngü) boyunca eğitilmiştir. Veri setinin %80'i eğitim, %10'u doğrulama ve %10'u test için kullanılmıştır. Modelin performansı; Doğruluk (Accuracy), Duyarlılık (Sensitivity), Kesinlik (Precision), Dice Katsayısı (Dice Similarity Coefficient, DC), eğri altında kalan alan (AUC), %95 Hausdorff mesafesi (%95 HD) ve Jaccard indeksi (Intersection over Union, IoU) metrikleriyle değerlendirilmiştir. Periapikal lezyonların segmentasyonu için doğruluk, duyarlılık, kesinlik, AUC, %95 HD, Dice Katsayısı ve Jaccard indeksi değerleri sırası ile 0.999, 0.729, 0.801, 0.860, 12.022, 0.741, 0.604 olarak tespit edilmiştir. nnU-Net v2 tabanlı yapay zeka modeli periapikal lezyon segmentasyonunda başarılı sonuçlar elde etmiştir. Yapılan bu çalışmanın sonuçları diş hekimlerine KIBT görüntülerindeki periapikal lezyonların teşhis ve segmentasyonunda yardımcı bir seçenek sunması açısından umut vaat etmektedir.