Bilgisayarlı tomografi görüntülerinden maksiller sinüsün otomatik bölümlendirilmesi:U-net ve önceden eğitimli kodlayıcılar ile karşılaştırılmalı bir analiz

Maksiller sinüs, solunum sisteminde önemli bir yere sahiptir ve bilgisayarlı tomografi görüntülerinden doğru bir şekilde ayırt edilmesi hâlâ zordur. Geleneksel manüel ve yarı otomatik yöntemler çok zaman alıcı ve tutarsızdır, dolayısıyla klinik uygulamalar için pek uygun değillerdir. Derin öğrenmenin gelişmesi sayesinde otomatik segmentasyon mümkün hale gelmiştir, ancak karmaşık sinüs anatomisi ve bireyler arası varyasyonlar gibi nedenlerle hâlâ zorluklar yaşanmaktadır. Bu çalışma, maksiller sinüs segmentasyonu için dört farklı derin öğrenme modelinin geliştirilmesi ve değerlendirilmesini sunmaktadır: düz bir U-Net modeli ve VGG16, ResNet50 ve Inception-ResNet v2'yi kodlayıcı olarak kullanan üç U-Net varyasyonu. Ana hedefler, bu modellerin doğru segmentasyon için değerlendirilmesi, MS içindeki hava bölümü ve mukoza iltihabının ayrıca segmente edilmesi, maksiller sinüs hacminin ve opasifikasyon oranlarının hesaplanması ve derin öğrenme modellerinin maksillofasiyal radyolojideki potansiyelini göstermektir. Inception-ResNet v2 - UNet modeli 0.96671 Dice ve 0.94004 intersection over union (IoU) skorları ile en iyi performansı gösterirken, düz U-Net dahil tüm modeller dikkate değer başarılar göstermiştir.