Semantik bölütleme ve nesne tespiti yöntemleri kullanılarak lateralsefalometrik radyografilerde servikal vertebraların incelenmesiyle kemik yaşı analizi

Servikal vertebra matürasyonu (CVM), ortodontik tedavide büyüme dönemini doğru yakalamak için önemli, güvenilir bir göstergedir. El-bilek grafileri bu amaçla kullanılsa da hastaya ek radyasyon yükler; yorumlayıcı çeşitliliğe açıktır, yorucudur, zaman gerektirir. Bu tez, rutin lateral sefalogramlardan CVM'yi ek çekim gerektirmeden, klinik hız sınırlarını aşmadan değerlendiren otomatik yapay zekâ hattı geliştirmeyi hedeflemiştir. Model eğitimi için Van Yüzüncü Yıl Üniversitesi Ortodonti A.D. arşivinden seçilen 3750 sefalogram kullanılmıştır. Önerilen modüler sistem üç basamaktan oluşur. Birinci basamakta YOLO-v11, C2-C4 bölgesini milisaniye ölçeğinde saptar; %99,8 kesinlik, %99,8 duyarlılık ve mAP₀․₅ = 0,9935 ile bölgeyi nokta atışıyla tanımlar. İkinci basamakta Attention-ResUNet, çok-ölçekli dikkat bloklarıyla kemik kenarlarını piksel düzeyinde ayıklar ve Dice = 0,956, Kesinlik (Precision) = 0,954 skorlarıyla kontur uyumunu klinik gereksinimlerin üzerine çıkarır. Üçüncü basamakta NFNet, altı evreli CVMS sistemine göre olgunluk sınıflandırması yapar; bağımsız testte %90,0 doğruluk, 0,990 ROC-AUC ve 0,980 spesifisite sunarak ayırım gücü yüksek, hatalı sınıflamaları sınırlı tutar. Veri beş katlı, stratifiye çapraz doğrulamayla bölünmüştür; K-fold ortalama doğruluk %88,5 ve %RSD 1,79 olarak belirlenmiş, model çıktılarının tutarlı olduğunu göstermiştir. Bu bulgular, literatürde daha küçük örneklem setleriyle raporlanan yaklaşımlara kıyasla geniş veri üzerinde rekabetçi değerler sunmaktadır. Ayrıca tespit, segmentasyon ve sınıflandırmayı tek adımda birleştirerek işlem süresini önemli ölçüde kısaltmakta ve hekim iş yükünü azaltmaktadır. Geliştirilen sistem, CVM temelli yaş tayinini hızlı ve düşük radyasyonlu hale getirerek yorumcu bağımlılığını azaltan yenilikçi ve etkili bir alternatif sunmakta olup klinik kullanıma hazırdır. Gelecekte çok-görevli öğrenme ile dental yaş veya frontal sinüs gelişimi gibi ek göstergelerin aynı hat üzerinden tahmini ve üç boyutlu düşük doz görüntü verilerinin entegrasyonu önerilmektedir.