Yapay Zeka Hızlı Bakış & Çıkarımlar
AI InsightAmaç: Bu çalışmanın amacı, konik ışınlı bilgisayarlı tomografi (KIBT) görüntülerinde seçilen nazal yapıları ve maksiller sinüs bulgularının otomatik tespiti ve segmentasyonu için derin öğrenme tabanlı bir model geliştirmek ve ön değerlendirmesini yapmaktır.
📌 3 Maddede Bu Makale
Özet
Amaç: Bu çalışmanın amacı, konik ışınlı bilgisayarlı tomografi (KIBT) görüntülerinde seçilen nazal yapıları ve maksiller sinüs bulgularının otomatik tespiti ve segmentasyonu için derin öğrenme tabanlı bir model geliştirmek ve ön değerlendirmesini yapmaktır. Gereç ve Yöntemler: 1000 taramadan oluşan daha büyük bir veri setinden, uzmanlar tarafından seçilen toplam 110 geniş görüş alanlı koronal KIBT kesiti retrospektif olarak elde edildi. Görüntüler ön işleme tabi tutuldu ve rastgele olarak eğitim (%70), doğrulama (%15) ve test (%15) setlerine ayrıldı. Tespit ve segmentasyon görevleri için YOLOv12n-seg mimarisi uygulandı. Model performansı, doğruluk ve alıcı işletim karakteristik eğrisi altındaki alan (AUC) kullanılarak değerlendirildi. Bulgular: Model, nazal septum deviasyonu (NSD) ve inferior konka hipertrofisi (IKH) için %87,5 doğruluk elde etti. Maksiller sinüs mukozal kalınlaşması (MSMK) için doğruluk %81,3 oldu. AUC değerleri NSD için 0,84, IKH için 0,85 ve MSMK için 0,68 olup, yumuşak dokuyla ilgili bulgular için nispeten daha düşük performans göstermektedir. Sonuç: Önerilen derin öğrenme modeli, seçilen KIBT kesitlerinde anatomik olarak farklı burun yapılarının tespiti için umut verici bir performans sergilemiştir. Bununla birlikte, sınırlı örneklem boyutu, kesit tabanlı tasarım ve dış doğrulama eksikliği, bulguların genelleştirilebilirliğini kısıtlamaktadır. Bu çalışma, ön bir pilot araştırma olarak değerlendirilmelidir ve rutin klinik uygulamadan önce daha büyük, hasta tabanlı veri kümeleri ve klinik karşılaştırmalar kullanılarak daha fazla araştırma yapılması gerekmektedir.
Abstract
Objectives: The aim of this study was to develop and preliminarily evaluate a deep learning–based model for the automatic detection and segmentation of selected nasal structures and maxillary sinus findings on cone-beam computed tomography (CBCT) images. Material and Methods: A total of 110 expert-selected coronal CBCT slices with a wide field of view were retrospectively obtained from a larger dataset of 1000 scans. Images were preprocessed and randomly divided into training (70%), validation (15%), and test (15%) sets. A YOLOv12n-seg architecture was implemented for detection and segmentation tasks. Model performance was assessed using accuracy and area under the receiver operating characteristic curve (AUC). Results: The model achieved an accuracy of 87.5% for nasal septum deviation (NSD) and inferior concha hypertrophy (ICH). For maxillary sinus mucosal thickening (MSMT), the accuracy was 81.3%. The AUC values were 0.84 for NSD, 0.85 for ICH, and 0.68 for MSMT, indicating relatively lower performance for soft-tissue-related findings. Conclusion: The proposed deep learning model demonstrated promising performance for the detection of anatomically distinct nasal structures on selected CBCT slices. However, the limited sample size, slice-based design, and lack of external validation restrict the generalizability of the findings. This study should be considered a preliminary pilot investigation, and further research using larger, patient-based datasets and clinical comparisons is required before routine clinical application.