Nesne Algılama ve Semantik Bölütleme Yontemleri Kullanılarak Lateral Sefalometrik Radyografilerde Servikal Vertebra Analizi

Abstract

Bu çalışmada, lateral sefalometrik radyografilerde C2, C3 ve C4 servikal vertebralarının tespiti ve semantik segmentasyonu için yapay zeka tabanlı bir yöntem önerilmektedir. Araştırmada kullanılan veri seti, Van Yüzüncü Yıl Üniversitesi Diş Hekimliği Fakültesi Ortodonti Anabilim Dalı tarafından sağlanan 3085 lateral sefalometrik radyografiden oluşmaktadır. Uzman hekimler tarafından yapılan değerlendirme sonucunda, tanısal doğruluk ve klinik uygunluk kriterlerini karşılayan 2520 radyografi seçilerek çalışmaya dahil edilmiştir. İlk aşamada YOLOv8 ve YOLOv11 nesne algılama modelleri kullanılarak vertebra bölgeleri tespit edilmiş ve ardından bu alanlar QuPath yazılımı ile detaylı şekilde anotasyonlanmıştır. Etiketlenen veriler, Attention-UNet, Attention-ResUNet, SEEA-UNet ve ResAt-UNet gibi ileri seviye derin öğrenme modelleri kullanılarak segmentasyon işlemlerine tabi tutulmuştur. Çalışma, nesne algılama modellerinin %99,8 doğruluk oranıyla yüksek performans sergilediğini ortaya koymuştur. Segmentasyon modelleri arasında en iyi performansı %99,25 doğruluk oranı ile Attention-ResUNet gösterirken, ResAt-UNet modeli genelleme kapasitesindeki dengesiyle dikkat çekmiştir. Elde edilen ikili maskeler, kemik yaşı tahmini ve iskeletsel olgunluk analizi için güvenilir bir veri seti oluşturmuştur. Bu çalışma, ek görüntüleme ihtiyacını ortadan kaldırarak radyasyon maruziyetini azaltmayı ve klinik süreçleri hızlandırmayı amaçlamaktadır. Sonuçlar, yapay zeka destekli yöntemlerin manuel değerlendirme kaynaklı hataları en aza indirdiğini ve iskeletsel analizde standardizasyon sağladığını göstermektedir. Gelecekte, bu yöntemlerin ortodonti ve pediatrik tıbbi uygulamalarda yaygın olarak kullanılabileceği öngörülmektedir.