ÖZET Amaç: Bu çalışmanın amacı, konik ışınlı bilgisayarlı tomografi görüntülerinden elde edilen lateral sefalometrik görüntüler üzerinde özel bir yapay zeka algoritması kullanılarak faringeal hava yolu tespitinin başarısını araştırmaktır. Gereç ve Yöntemler: Çalışmamızın veri seti, özel bir yapay zeka algoritması kullanılarak 1040 hastanın ortodontik tedavi öncesi konik ışınlı bilgisayarlı tomografi görüntülerinden elde edilen lateral sefalometrik radyografiler üzerinde gerçekleştirildi ve serbest çizim tekniği ile segmentasyon yöntemi uygulandı ve faringeal hava yolu belirlendi. Görüntüler üzerindeki hava yolu etiketlemesi CranioCatch yapay zeka yazılımı (CranioCatch, Eskisehir, Türkiye) kullanılarak yapıldı. Bulgular: Yapay zeka modeli Yolov5x modeli ile 500 epoch ve 0,01 öğrenme oranıyla eğitildi. Çalışmada eğitilen yapay zeka modelinde duyarlılık, kesinlik ve F1 puanları sırasıyla 1, 0,9903 ve 0,9951 olarak gerçekleşti. Sonuç: Faringeal hava yolunu değerlendirdiğimiz model genel olarak başarılıydı. Çalışmamız gelecekteki KIBT raporlama sistemlerinin geliştirilmesi açısından umut vericidir. Derin öğrenmeye dayalı bu sistemlerin rutin klinik uygulamalarda karar destek mekanizması olarak hekimlere zaman kazandıracağı düşünülmektedir. Ayrıca faringeal hava yolunun değerlendirilmesinde gözlemciler arası farklılıkların ve gözlemcilerin farklı zamanlarda yaptığı değerlendirmelerde oluşabilecek tutarsızlıkların en aza indirilmesine yardımcı olacağı öngörülmektedir.
ABSTRACT Objectives: The aim of this study is to investigate the success of pharyngeal airway detection using a special artificial intelligence algorithm on lateral cephalometric images obtained from cone beam computed tomography images. Materials and Methods: The data set of our study was performed on the lateral cephalometric radiographs was obtained from cone beam computed tomography images of 1040 patients before orthodontic treatment using a special artificial intelligence algorithm and the segmentation method were applied with the free drawing tchnique and the pharyngeal airway was determined. Airway labeling on images was done using CranioCatch annotation software (CranioCatch, Eskişehir, Turkey). Results: The artificial intelligence model was trained with the Yolov5x model as 500 epochs and 0.01 learning rate. Sensitivity, precision and F1 scores in the artifical intelligence model trained in the study were 1, 0.9903 and 0.9951 respectively. Conclusion: The model in which we evaluated the pharyngeal airway was generally successful. Our study is promising for the development of future CBCT reporting systems. It is thought that these deep learning-based systems will save physicians time as a decision support mechanism in routine clinical practices. It is also anticipated that it will help in minimizing interobserver differences in the evaluation of the pharyngeal airway and inconsistencies that may occur in the evaluations made by observers at different times.
Alan : Sağlık Bilimleri
Dergi Türü : Uluslararası
Makale Detay 
Benzer Makaleler
PDF Görüntüle
Dergi Bilgisi
Eseri Dinleyin
Alıntı Yap
Bu Sayfayı Yazdırın
Paylaş
Mendeley
