Kardiyak BT görüntülerinde sık izlenen koroner arter varyasyonlarının yolo-v10 mimarisi kullanarak yapay zeka temelli tespiti ve sıklığının araştırılması

Amaç Son yıllarda görüntüleme teknolojilerindeki ilerlemeler, koroner arterlerin anatomik yapısının daha ayrıntılı incelenmesine olanak tanımıştır. Koroner Bilgisayarlı Tomografi Anjiyo (KBTA), noninvaziv bir yöntem olarak koroner arter anatomisinin ve varyasyonlarının değerlendirilmesinde sıkça tercih edilmektedir. Bu araştırmanın temel amacı, KBTA görüntülerinde sık görülen koroner arter varyasyonlarını tespit edebilen, derin öğrenme tabanlı bir sistem geliştirmektir. Önerilen sistem, YOLOv10((You Only Look Once-v10) mimarisinin sunduğu hız ve doğruluk dengesinden yararlanarak klinik ortamlarda uygulanabilir, güvenilir ve etkin bir çözüm sunmayı hedeflemektedir. Gereç ve Yöntem Bu çalışmada, koroner arter varyasyonlarının tespiti için derin öğrenme tabanlı YOLOv10 algoritması kullanılmıştır. Araştırmada, üçüncü basamak bir hastaneye kardiyak problemlerle başvuran 100 hastadan dışlama kriterleri sonrası seçilen 20 hastaya ait çok kesitli Kardiyak BT görüntülerinden oluşan 2.837 kesitlik bir veri seti hazırlanmıştır. Görüntüler, 2.263'ü eğitim, 287'si doğrulama ve 287'si test olmak üzere üç alt gruba ayrılmıştır. Veri seti, modelin farklı senaryolarda doğruluğunu ve etkinliğini değerlendirmek amacıyla dengeli bir şekilde dağıtılmıştır. Bulgular YOLOv10 modeli, koroner arter varyasyonları ve normal sınıf için yüksek doğrulukta tahminler yapmıştır. Modelin sınıflandırma kapasitesi güvenilir bulunmuş, tahminlerin büyük çoğunluğu doğru sınıflandırılmıştır. Ayrıca tespit edilen sınırlayıcı kutular, koroner arter varyasyonlarının belirlenmesinde güçlü bir temel sunmuş ve YOLOv10'un tıbbi görüntü analizlerinde yüksek potansiyele sahip olduğunu göstermiştir. YOLOv10 koroner arter varyasyon belirlemede ,uygulamanın gereksinimlerine göre precision, recall ve mAP dengesi önemlidir. Yüksek doğruluk gereken durumlarda YOLOv10-X, daha dengeli ve genellenebilir sonuçlar için ise YOLOv10-L öne çıkmaktadır. Sonuç Modelin tıbbi tanı süreçlerine entegrasyonu, koroner arter varyasyonlarının tespiti ve normal anatomik yapının değerlendirilmesinde klinik uygulamalara önemli katkılar sunabilir. Varyasyonların erken ve doğru tanınması, özellikle kateter anjiyografi sırasında karar verme sürecini hızlandırarak olası komplikasyonların önlenmesine yardımcı olabilir. Gelecekteki çalışmaların, daha geniş veri setleri ve düşük temsil gücüne sahip sınıfların optimizasyonuna odaklanmasıyla modelin etkisinin artırılması öngörülmektedir.