Konik ışınlı bilgisayarlı tomografi görüntülerinde vertebrobaziler arter kalsifikasyonu olan hastaların üç boyutlu segmentasyonu

Amaç: VBAK'nin değerlendirilmesi, serebrovasküler olay riskinin belirlenmesinde kritik öneme sahiptir; ancak manuel segmentasyon zaman alıcıdır ve gözlemciler arası değişkenliğe açıktır. Bu nedenle küçük vasküler yapıların tespiti için optimize edilmiş yeni bir derin öğrenme modeli geliştirmeyi amaçladık. Materyal Metod: Fokal dikkat mekanizmaları, küçük nesne tespit modülleri ve bağlam birleştirme için piramit havuzlama (pyramid pooling) içeren bir 3D U-Net mimarisi olan ImprovedVertebroV5 tasarlandı. Model, vertebrobaziler değerlendirmeye tabi tutulan hastalardan elde edilen KIBT klinik veri seti üzerinde eğitildi ve değerlendirildi. Çalışmada toplam 101 KIBT görüntüsü analiz edildi. Bulgular: V5 modelimiz, 20 test hastasında ortalama Dice skoru 0.7312 ± 0.1842, IoU değeri ise 0.6230 elde etti; bu, önceki modellere göre %31.7'lik bir iyileşmeyi temsil etmektedir. Tespit başarı oranı %100 (20/20 hasta) olarak belirlendi. Ortalama çıkarım (inference) süresi 372.2 ms idi. Ayrıca kesinlik (precision) 0.8460 ± 0.1347, duyarlılık (recall) 0.7890 ± 0.2526, özgüllük (specificity) 0.9997 ± 0.0003 ve AUC 0.8737 olarak bulundu. Sonuç: Önerilen mimari küçük nesneye optimize edilmiş olup, vertebrobaziler arter segmentasyonunda en son teknoloji düzeyinde (state-of-the-art) performans göstermektedir ve tanısal bir yardımcı araç olarak klinik kullanım potansiyeli taşımaktadır. Anahtar Kelimeler: 3B Segmentasyon, Derin Öğrenme, Konik Işınlı Bilgisayarlı Tomografi, Serebrovasküler Olay, Vertebrobaziler Arter Kalsifikasyonu, Yapay Zekâ