Yapay zekâ sistemi kullanılarak konik ışınlı bilgisayarlı tomografi görüntülerinde temporomandibular eklem osteoartritinin sınıflandırılması

Amaç: Bu çalışmanın amacı bir yapay zekâ modeli kullanarak KIBT görüntüleri üzerinden toplumun önemli bir çoğunluğunu etkileyen temporomandibular eklem osteoartritinin sınıflandırması ve temporomandibular eklem segmentasyonu yaparak, hastalığın teşhisinde hekimlere kolaylık ve zaman kazandıracak bir yöntem geliştirmektir. Materyal ve Metot: Bu çalışmada 290 hastaya ait KIBT DICOM görüntülerinden elde edilen 2000 adet sagittal kesit (500 sağlıklı, 500 erozyon,500 osteofit, 500 düzleşme içeren görüntü) üzerinde bir yapay zekâ modeli olan YOLOv5 mimarisinin TME segmentasyonu ve osteoartrit sınıflandırmasındaki başarısı değerlendirilmiştir. Görüntüler üzerinde temporomandibular eklemin etiketlenmesi CranioCatch etiketleme yazılımı (CranioCatch, Eskişehir, Türkiye) kullanılarak yapılmıştır. Karmaşıklık matris yöntemi kullanılarak modele ait başarı metriği hesaplanmıştır. Bulgular: Temporomandibular eklem segmentasyonu için YOLOv5 modelinin duyarlılık, kesinlik ve F1 skoru sırasıyla; 1, 0.9953, 0.9976 şeklindedir. Modelin temporomandibular eklem segmentasyonu için bulunan AUC değeri 0.9723 şeklindedir. Yine modelin temporomandibular eklem segmentasyonu için doğruluk değeri 0.9953 olarak bulunmuştur. Temporomandibular eklem osteoartrit sınıflandırması için modelin duyarlılık, kesinlik ve F1 skorları ise sırasıyla; 1, 0.7678, 0.8686 şeklindedir. Sınıflandırma için bulunan doğruluk değeri 0.7678 şeklindedir. Sonuç: Yapılan çalışmanın temporomandibular eklem osteoartritinin teşhisinde hekimlere klinik ve radyoloji rutininde kolaylık ve zaman kazandıracak bir destek mekanizması olabileceğini düşünmekteyiz. Çalışmamız ilerleyen zamanlarda yapılacak çalışmalarla daha fazla geliştirilebilir. Anahtar kelimeler: Derin öğrenme, konik ışınlı bilgisayarlı tomografi, temporomandibular eklem, temporomandibular eklem osteoartriti, yapay zeka.