Radyolojik görüntülerde diş anomalilerinin derin öğrenme ile tespiti

Abstract

Çocuklarda diş anomalilerinin erken ve doğru teşhisi, zamanında tedavilere rehberlik etmek ve gelecekteki ağız sağlığı sorunlarından kaçınmak için esastır. Ancak, panoramik radyografilerin yorumlanması klinisyenler arasında değişiklik gösterebilir ve genellikle deneyim seviyelerinden etkilenir. Bu çalışmada, radyolojik değerlendirmenin kritik bir tanı rolü oynadığı germ eksikliği ve süpernümere dişler gibi pediatrik diş anomalilerini tespit etmek için tasarlanmış yeni bir derin öğrenme modeli olan Kompakt İnvolüsyonel Transformatör (CIT) tanıtılmıştır. Bir uzman pedodontist trafından düzenlenen veri seti, 1.170 pediatrik panoramik radyografiden oluşmaktadır ve hem çoklu sınıflandırma (germ eksikliği, normal, süpernümere diş) hem de ikili sınıflandırma ayarlarında test edilmek üzere yapılandırılmıştır. Üç sınıflı görevde, CIT, %96,00 doğruluk, %95,29 F1 skoru, %95,76 AUC ve %93,28 Matthews korelasyon katsayısı elde ederek son teknoloji derin öğrenme modellerinden daha iyi performans göstermiştir. Modelin yorumlanabilirliği, kararlara katkıda bulunan bölgeleri vurgulayan Grad-CAM ısı haritalarıyla desteklenmiştir. Karşılaştırmalı bir değerlendirmede, McNemar testine göre CIT, pedodontistlere karşı anlamlı biçimde üstündür; genel diş hekimleriyle fark anlamlı değildir ve klinik örtüşme sürmektedir. Gerçekleştirdiğimiz literatür taramasından bildiğimiz kadarıyla, bu tez çalışmasında, otomatik germ eksikliği tespiti için tasarlanmış ilk yapay zeka yaklaşımı ve aynı zamanda tıbbi görüntü analizi için transformatör tabanlı bir model içinde involüsyonun ilk uygulaması sunulmaktadır.