Yapay zeka destekli FCN model performansının değerlendirilmesi: KIBT görüntüleri üzerinde nazopalatin kanalın otomatik segmentasyon uygulaması

Derin öğrenme, tıbbi görüntü analizinde önemli bir çerçeve haline gelmiş olup, ilgi bölgelerinin segmentasyonunu otomatikleştirmekte ve standartlaştırmaktadır. Bu süreç, bilgisayar destekli tanı, girişimsel işlemler ve tedavi için kritik öneme sahiptir. Konik ışınlı bilgisayarlı tomografi (KIBT), maksillofasiyal yapıların ayrıntılı üç boyutlu görüntülerini sunarak dental görüntülemede çığır açmış olmasına rağmen, KIBT kullanılarak NPK segmentasyonunun çeşitli zorlukları mevcuttur. Bu çalışmada, derin öğrenme tabanlı nnU-Net v2 model performansına dayalı KIBT görüntülerinde NPK'nın otomatik segmentasyonunun değerlendirilmesi amaçlanmıştır. Çalışma retrospektif olarak yürütülmüş, veriler eğitim (n=82) ve test (n=8) seti olmak üzere iki gruba ayrılmıştır. Otomatik segmentasyon, klinik radyoloji ve yapay zekâ alanında yaygın olarak kullanılan performans metrikleri (gerçek pozitif, yanlış pozitif, yanlış negatif, doğruluk, kesinlik, duyarlılık, F1-skoru, Dice katsayısı, Jaccard indeksi [IoU], %95 Hausdorff mesafesi [mm] ve Hausdorff mesafesi [mm]) ile değerlendirilmiştir. Ayrıca ROC eğrisi elde edilerek eğri altında kalan alan (EAA) hesaplanmıştır. NPK segmentasyonu için kullanılan nnU-Net v2 mimarisi sonucunda elde edilen karmaşıklık matrisine göre gerçek pozitif, yanlış pozitif, yanlış negatif, doğruluk, kesinlik, duyarlılık ve F1-skoru değerleri sırasıyla 914, 282,13, 131,25, 3,09, 0,11, 0,99, 0,74, 0,89 ve 0,81 olarak bulunmuştur. Ayrıca Dice katsayısı, Jaccard indeksi (IoU), %95 Hausdorff mesafesi (mm) ve Hausdorff mesafesi (mm) sırasıyla 0,80, 0,67, 1,02 mm ve 1,90 mm olarak hesaplanmıştır. EAA ise 0,94 olarak analiz edilmiştir. Bu sonuçlar, nnU-Net v2 modelinin nazopalatin kanal segmentasyonunda yüksek doğruluk ve güvenilirlik sağladığını göstermektedir.