Derin öğrenme ile manyetik rezonans görüntüleri üzerinden temporomandibular eklem yapısal bileşenlerinin segmentasyonu ve anteriora konumlanmış diskin tespiti

Temporomandibular eklem hastalıkları (TMEH) toplumda yaygın olarak görülmektedir ve bu hastalıkların tanısında doğru bir görüntüleme yöntemi kullanmak, klinik başarı açısından kritik öneme sahiptir. Manyetik rezonans görüntüleme (MRG) temporomandibular eklem (TME) yumuşak doku rahatsızlıklarının teşhisinde altın standart olarak kabul görmektedir. Fakat TME'ye ait MR görüntülerinin yorumlanması uzman hekimler için bile kolay olmamaktadır. MRG'nin yorumlanmasında standardizasyon sağlanabilmesi için yapay zekâ sistemleri kullanılabilir. Bu çalışmanın temel amacı, TME bölgesinin yapısal bileşenlerinin, T2 ağırlıklı sagittal MR görüntüleri kullanılarak derin öğrenme modelleri ile otomatik olarak segmente edilmesidir. Çalışmada mandibular kondil, artiküler eminens, glenoid fossa ve artiküler diskin, normal ve anteriora deplase pozisyonlarındaki segmentasyonu yapılmıştır. Bu segmentasyon sürecinde YOLOv5 ve YOLOv8 modellerinin performansları karşılaştırılarak, hangi modelin bu yapılar üzerinde daha yüksek doğruluk ve hassasiyetle sonuçlar verdiği araştırılmıştır. Bu amaç doğrultusunda, yapay zekâ tabanlı yaklaşımların klinik uygulamalarda teşhis süreçlerine katkı sağlayabileceği hipotezi test edilmiştir. Çalışmada, TME bölgesine ait 901 adet T2 ağırlıklı sagittal MR görüntüsünden oluşan bir veri seti kullanılmıştır. Bu görüntüler üzerinden mandibular kondil, artiküler eminens, glenoid fossa ve artiküler disk anatomik yapılarının segmentasyonu, yapay zekâ destekli Craniocatch uygulamasında, YOLOv5 ve YOLOv8 derin öğrenme modelleri ile gerçekleştirilmiştir. Model performansları, duyarlılık, kesinlik ve F1 skoru gibi metriklerle değerlendirilmiştir. Mandibular kondil segmentasyonunda, YOLOv5'in duyarlılığı 1 iken, YOLOv8'in duyarlılığı 0,98'dir. YOLOv5'in kesinlik değeri 0,98, YOLOv8'in kesinlik değeri ise 0,97'dir. F1 skoru açısından, YOLOv5 0,99, YOLOv8 ise 0,98 değerlerine sahiptir. Artiküler eminens segmentasyonunda ise hem YOLOv5 hem de YOLOv8'in duyarlılık değerleri 0,98 olarak ölçülmüştür. Kesinlik açısından, YOLOv5 0,96, YOLOv8 ise 0,98 olarak hesaplanmıştır. F1 skoru, YOLOv5 için 0,97, YOLOv8 için ise 0,98'dir. Glenoid fossa segmentasyonunda YOLOv5'in duyarlılığı 0,82, YOLOv8'in duyarlılığı ise 0,96'dır. Kesinlik değeri YOLOv5 için 0,90, YOLOv8 için ise 0,98'dir. F1 skoru ise YOLOv5 için 0,86, YOLOv8 için 0,97'dir. Normal konumdaki artiküler diskin YOLOv5 modelindeki duyarlılık değeri 1, kesinlik değeri 1, F1 skoru 1; YOLOv8 modelindeki duyarlılık değeri 0.98, kesinlik değeri 1, F1 skoru 0.99 olarak bulunmuştur. Anterior konumdaki artiküler diskin YOLOv5 modelindeki duyarlılık değeri 1, kesinlik değeri 0.96, F1 skoru 0.98; YOLOv8 modelindeki duyarlılık değeri 0.96, kesinlik değeri 0.86, F1 skoru 0.90 olarak bulunmuştur. Bu çalışma, yapay zekâ tabanlı YOLOv5 ve YOLOv8 modellerinin TME yapılarının otomatik segmentasyonu konusunda yüksek başarı elde ettiğini göstermektedir. Özellikle YOLOv5 modeli, mandibular kondil ve anteriora deplase disk segmentasyonunda daha yüksek performans sergilemiştir. YOLOv8 ise glenoid fossa ve artiküler eminens segmentasyonunda daha başarılı sonuçlar vermiştir. Elde edilen bulgular, bu modellerin klinik ve radyolojik teşhis süreçlerine entegre edilebileceğini ve teşhis sürecini hızlandırarak hekimlere önemli bir destek sağlayabileceğini göstermektedir. Ayrıca, TME bölgesine ilişkin daha ileri düzey yapay zekâ modellerinin geliştirilmesiyle, hastalıkların erken teşhisi ve tedavi süreçlerinde daha etkin sonuçlar elde edilebilecektir.