Konik ışınlı bilgisayarlı tomografi görüntülerinde nazopalatin kanal tespitinin yapay zeka ile karşılaştırılması

NPK; maksiller santral keserlerin posteriorunda, orta hatta lokalizasyon gösteren bir anatomik oluşumdur. Kanalın morfolojisi oldukça fazla ve önemli miktarda değişkenlik göstermektedir. NPK bir ileri görüntüleme yöntemi olan KIBT ile de görüntülenebilir. Bunun yanısıra, KIBT yapay zeka alanında da pek çok çalışmada kullanılmaktadır. Yapay zeka, veriler aracılığıyla öğrenebilen makinelerin problemleri çözmeleri amaçlanarak geliştirilmiş sistemlerdir. YOLO (You Only Look Once) oldukça hızlı bir nesne tanıma mimarisi olarak karşımıza çıkmaktadır. YOLO'nun 5. Versiyonu olan YOLOv5'in son resmi güncellemesinde segmentasyon modelleri kullanıma sunulmuştur. Bu Tez çalışmasının amacı KIBT görüntülerinde NPK'ın segmente edilmesi ve dallanma durumunun değerlendirilmesi açısından gözlemci ile yapay zekayı karşılaştırmaktır. Çalışma kapsamında, KIBT görüntüleri retrospektif olarak tarandı. Taranan görüntülerden, NPK'da dallanma var olan 100 kanala ve dallanma olmayan 100 kanala ait, toplamda 200 KIBT görüntüsü seçildi. Bu KIBT görüntülerine ait aksiyel kesit çerçeve görüntüsü etiketleme işlemi için kullanıldı. Görüntülerdeki NPK dallanma varlığı ya da yokluğu durumuna göre sınıflandırılarak etiketlendi. Bu tez çalışması, YOLOv5x-seg modeli ile yapıldı. Görüntülerin %80'i olan 160 tanesi eğitim veri seti, %10'u olan 20 tanesi doğrulama veri seti, %10'u olan 20 tanesi test veri seti olarak ayrıldı. YOLOv5x-seg modeli ile 800 epoch (eğitim turu) yapılarak eğitim gerçekleştirildi. Karışıklık Matrisi kullanılarak, yapay zekanın performansı değerlendirildi. Gözlemci içi güvenilirlik için 2 hafta sonra görüntülerin % 20'si dallanma varlığı ya da yokluğu durumu açısından tekrar sınıflandırıldı. YOLOv5x-seg modelinin NPK tespiti ve sınıflandırılması için duyarlılık, kesinlik, F1 skoru ve IoU değerleri; NPK dallanması olan grup için sırasıyla 0.9680, 0.9953, 0.9815, 0.9636 olarak, NPK dallanması olmayan grup için sırasıyla 0.9827, 0.9975, 0.9900, 0.9803 olarak bulundu. mAP ve AUC değerleri ise; NPK dallanması olan grup için sırasıyla 0.7930, 0.8841, NPK dallanması olmayan grup için sırasıyla 0.9637, 0.9510 olarak bulundu. YOLOv5x-seg modelinin NPK dallanma varlığı ve daha az veri seti ile eğitildiğinde bile, mükemmel olmasa da gayet başarılı ve kabul edilebilir sınırların üzerinde bir tahmin doğruluğu elde ettiğini düşünmekteyiz. Temelde nesne algılama algoritması olan YOLOv5 algoritmasının segmentasyon özelliği, yeni geliştirilmesine rağmen oldukça başarılı sonuçlara ulaştığı ancak geliştirilmeye açık ve umut vaadedici olduğunu düşünmekteyiz.