Panaromik radyografilerde veri ön işleme ve derin öğrenme kullanarak diş segmentasyonu

Dental segmentasyon, dental radyografik görüntülerde dişlerin ve çevresindeki anatomik yapıların sınırlarının belirlenmesi sürecidir. Bu süreç, dental yapıları dijital görüntüler üzerinde ayrı sınırlara ayırarak analiz edilebilir hale getirir. Özellikle Yapay Zekâ (YZ) destekli sistemlerde, dental segmentasyon; diş tespiti, çürük analizi, periodontal hastalıkların belirlenmesi ve ortodontik planlamalar gibi birçok klinik uygulamanın temelini oluşturmaktadır. Segmentasyonun amacı, tanı ve tedavi süreçlerinde doğru, hızlı ve tekrarlanabilir analizler sunarak klinik karar verme süreçlerini desteklemektir. Bu bağlamda, özellikle uzman eksikliği yaşanan bölgelerde otomatik dental segmentasyon sistemlerinin geliştirilmesi önemli bir ihtiyaç haline gelmiştir. Bu çalışma, U-Net Derin Öğrenme (DÖ) modeli kullanılarak dental radyografilerde segmentasyon performansı üzerinde veri artırımı, ön işleme teknikleri ve dikkat bloklarının etkisini araştırmaktadır. Araştırmanın amacı, otomatik diş segmentasyonu için en etkili görüntü işleme filtreleri, veri artırımı stratejileri ve derin öğrenme mimarileri kombinasyonunu belirlemektir. Çalışmada, Tufts Üniversitesi tarafından sağlanan 1.000 dental radyografiden oluşan bir veri seti kullanılmıştır. Veri seti, %85 eğitim ve %15 test olmak üzere ikiye ayrılmıştır. Görüntü kontrastını artırmak ve gürültüyü azaltmak amacıyla Kontrast Sınırlamalı Uyarlanabilir Histogram Eşitleme (Contrast-Limited Adaptive Histogram Equalization, CLAHE) Otsu eşikleme gibi ön işleme teknikleri ve, segmentasyon odak bölgelerini yorumlamak için Grad-CAM tabanlı ısı haritaları uygulanmıştır. Ayrıca, modelin genelleme yeteneğini artırmak için aynalama, 5° ve 10° derecelik döndürmeler ve öteleme gibi veri artırımı yöntemleri kullanılmıştır. Önerilen U-Net modeli, Adam optimizasyon algoritması kullanılarak 100 epok boyunca eğitilmiştir. Model performansını değerlendirmek amacıyla Dice skoru, Birleşim Üzerinden Kesişim (Intersection over Union, IoU) ve Piksel Doğruluğu (Pixel Accuracy, PA) ölçütleri kullanılmıştır. Veri artırma uygulanmadan gerçekleştirilen deneylerde, CLAHE ön işleme ve dikkat blokları içeren Attention U-Net modeli ile %91,01 Dice, %83,51 IoU ve %97,86 PA en yüksek başarı elde edilmiştir. CLAHE ön işleme ile veri artırma uygulandığında ise, aynalama yöntemi ile artırılmış veriler kullanılarak eğitilen klasik U-Net modeli %91,02 Dice, %83,51 IoU ve %97,86 PA değerleri ile en yüksek başarıyı göstermiştir. Elde edilen bulgular, uygun veri artırımı, ön işleme teknikleri ve dikkat bloklarının uygulanmasının, özellikle veri setinin sınırlı olduğu durumlarda, modelin güvenilirliğini ve doğruluğunu anlamlı düzeyde artırdığını göstermektedir. Çalışmada, veri ön işleme yöntemleri ve dikkat bloklarıyla desteklenen derin öğrenme modellerinin, diş segmentasyonu ve tanısının otomatikleştirilmesi yoluyla sağlık profesyonellerine destek olması amaçlanmaktadır. Bu yaklaşım, özellikle uzman radyologlara erişimin kısıtlı olduğu uzak bölgelerdeki sağlık kuruluşları için önemli bir değer taşımaktadır.