Konik ışınlı bilgisayarlı tomografi görüntülerinden elde edilen lateral sefalometrik görüntüler üzerinde derin öğrenme yöntemiyle geliştirilmiş yapay zeka algoritmalarıyla sefalometrik noktaların tespiti

Amaç: Günümüzde insan beyninin işleyişini taklit etme ilkelerine dayanan yeni teknolojiler geliştirilmiştir. Bunlar esas olarak yapay zeka (AI) teknolojilerine dayanmaktadır. Bu araştırmanın amacı, özel bir yapay zeka (AI) algoritması kullanarak yapılan sefalometrik landmark tespitinin başarısını araştırmaktır. Çalışmamızda ortodontik landmark tayininde oluşabilecek gözlemciler arası farkların ve gözlemcilerin farklı zamanlardaki değerlendirmelerinde gözlenebilecek tutarsızlıkların özel bir yapay zeka algoritması kullanılarak yapılan hataların minimuma indirilmesini amaçladık. Materyal ve Metod: Veri seti hastaların tedavi öncesi alınan KIBT görüntülerinden elde edilmiş sefalometrik radyograf görüntüsünden oluşan çalışmamızda Pytorch mimarisinin radyograflar üzerinde ortodontik ölçüm tayininde kullanılan iskeletsel, dişsel ve yumuşak doku noktalarını belirlemedeki başarısını karşılaştırdık. Görüntüler üzerinde sefalometrik noktalrın etiketlenmesi CranioCatch etiketleme yazılımı (CranioCatch, Eskişehir, Türkiye) kullanılarak yapıldı. AI modelinin eğitimi, PyTorch uygulanan CNN tabanlı derin öğrenme yöntemi ile 300 Epoch kullanılarak gerçekleştirildi. Modelin öğrenme oranı 0.0001 olarak belirlendi. Bulgular: En yüksek SDR puanı 2 mm, 2.5 mm, 3 mm ve 4 mm ile Columella(Cm), Mandibular 1.moların mesiali(Md6m) ve Yumuşak doku B(B') noktasından sırasıyla 100, 100, 100 ve 100 olarak elde edildi. Cm'nin MRE ± SD değeri 0.78 ± 0.41, Md6m'nin MRE±SD değeri 0,74±0,38 ve B'nin MRE ± SD değeri 0,72±0.38 olarak bulundu. En düşük SDR puanı olan 2 mm, 2,5 mm, 3 mm ve 4 mm Pterygoid(Pt) noktasından sırasıyla 65,2, 77.8, 85.2 ve 94.7 olarak elde edildi. Pt'nun MRE ± SD değeri 1.731±1.17 olarak bulundu. Sonuç: İleriki dönemlerde yapılacak olan derin öğrenme altyapılı KIBT raporlama programlarının gelişmesi bakımından çalışmamız çok önemlidir. Bu programların rutin klinik uygulamalarda hekimlere zaman kazandırarak karar destek sistemi rolü olacağını öngörmekteyiz.