Gömülü mandibular üçüncü molar dişlerin sınıflandırmalarının panoramik radyografiler üzerinden yapay zeka kullanılarak değerlendirilmesi

Yapay zekâ teknolojileri gün geçtikçe hayatımızın her alanında yer almaktadır. Bu konuda, diş hekimliği ve ağız, diş, çene radyolojisi alanlarında hızla yeni gelişmeler yaşanmaktadır. Tez çalışmamızda, gömüklüğü en sık görülen diş olan mandibular üçüncü molar dişlerin Pell&Gregory ve Winter sınıflamalarına göre, yapay zekâ ve derin öğrenmeye dayalı bir modelle otomatik olarak sınıflandırılabilmeleri amaçlandı. Görüntüler üzerinde dişlerin etiketlenmesi CranioCatch etiketleme yazılımı (CranioCatch, Eskişehir, Türkiye) kullanılarak yapıldı. Pozisyon özelliklerinin değerlendirilmesi, gömülü diş tespiti ve numaralandırma için ayrı ayrı modeller geliştirildi. Pozisyon özelliklerinin değerlendirilmesi için; 3098 adet panoramik görüntü üzerinden etiketlemeleri yapılan 38 ve 48 numaralı dişlere ait verilerden, Pell&Gregory sınıflaması için 6, Winter sınıflaması için ise 4 adet olacak şekilde toplamda 10 adet veri seti sınıfı oluşturuldu. Gömülü diş tespit ve numaralandırma çalışmaları için ise mevcut tüm etiketli veriler kullanıldı. Bu görevler için geliştirilen Inception v3 ve Mask R CNN modellerinin başarıları, karmaşıklık matrisi kullanılarak hesaplandı. Inception v3 modelinin Pell&Gregory sınıflamasında duyarlılık, kesinlik ve F1 skoru değerleri Sınıf I için sırasıyla; 0.7, 0.3684, 0.4827, Sınıf II için; 0.7474, 0.9367, 0.8314, Sınıf III için; 0.875, 0.6, 0.7118, Pozisyon A için; 0.8604, 0.7254, 0.7872, Pozisyon B için; 0.6267, 0.8245, 0.7121, Pozisyon C için; 0.7142, 0.4167, 0.5263 olarak bulundu. Yine Inception v3 modelinin Winter sınıflamasında duyarlılık, kesinlik ve F1 skoru değerleri Vertikal pozisyon için sırasıyla; 0.8333, 1, 0.9090, Horizontal pozisyon için; 0.7778, 0.7778, 0.7778, Mesioangular pozisyon için; 0.778, 0.7368, 0.7567, Distoangular pozisyon için; 0.944, 0.85, 0.8947 olarak bulundu. Mask R CNN modelinin duyarlılık, kesinlik ve F1 skoru değerleri gömülü diş tespitinde sırasıyla; 0.9443, 0.9974, 0.9701, gömülü diş numaralandırmada; 0.9381, 1, 0.9680 olarak bulundu. Çalışmamızın sonuçlarına göre geliştirilen derin öğrenme modellerinin; gömülü mandibular üçüncü molar dişleri pozisyonlarına göre sınıflandırma, gömülü diş tespiti ve numaralandırmadaki başarısı umut vadetmektedir. Zaman içerisinde yapılacak çalışmalarla birlikte, derin öğrenmeye dayalı yapay zekâ uygulamaları klinik pratiğinde yer alabilir ve hekimlere destek olabilir.