Akademik Veri Yönetim Sistemi
TDB 28. Uluslararası Diş Hekimliği Kongresi, Diyarbakır, Türkiye, 18 - 21 Eylül 2025, ss.269-270, (Özet Bildiri)
Amaç: Kemik grefti uygulamaları, elverişsiz alveoler kemik bölgelerinde, rejenerasyonu desteklemek amacıyla uygulanan biyomateryal temelli bir augmentasyon yöntemidir. Dental implant planlamasında greft uygulamaları hem fonksiyonel hem de estetik başarı açısından kritik öneme sahiptir. Aynı zamanda, alveoler kemiği etkileyen ve radyoopak görüntü veren diğer lezyonlardan (ör. osteoskleroz, kondensing osteitis vb.) ayrımın sağlanabilmesi, doğru tanı ve tedavi planlaması açısından klinik olarak gereklidir. Bu çalışmanın amacı, dental görüntüleme verileri üzerinde derin öğrenme temelli segmentasyon yöntemlerinin kemik greftlerinin otomatik olarak tespit edilebilirliği üzerine doğruluk ve güvenilirliği analiz etmektir.
Yöntem: İki boyutlu panoramik radyografiler (OPG) üzerinde nesne tespiti için YOLOv8x mimarisi kullanılmıştır. Toplam 486 görüntü ve 627 anotasyondan oluşan veri seti, %80 eğitim, %10 doğrulama ve %10 test olacak şekilde ayrılmıştır. Görseller, etiketleme işlemi sonrası YOLO formatına dönüştürülmüş ve model 500 epoch boyunca eğitilmiştir. Üç boyutlu konik ışınlı bilgisayarlı tomografi (CBCT) verileri üzerinde segmentasyon amacıyla nnU-Netv2 mimarisi kullanılmıştır. Toplam 43 DICOM dosyası, NIfTI formatına çevrilmiş; bu dosyalardan 39’u eğitim için kullanılmış ve model 1000 epoch boyunca eğitilmiştir; kalan 4’ü test seti olarak ayrılmıştır.
Bulgular: YOLOv8x modeli, OPG verilerinde kemik greftlerini tespit etmede yüksek doğruluk göstermiştir (precision: 0.91, recall: 0.80, F1: 0.85). Model, özellikle greft ile benzer radyoopak yapılar arasında ayırt edici performans sergilemiştir. CBCT üzerinde nnU-Netv2 ile yapılan segmentasyonda Dice skoru 0.70, Jaccard 0.55, precision 0.84 ve recall 0.63 olarak bulunmuştur.Yüksek precision değeri, modelin yanlış pozitifleri düşük tuttuğunu; görece düşük recall ise bazı greft bölgelerinin atlandığını göstermektedir.
Sonuç: Her iki derin öğrenme modeli de kemik greftlerinin dental görüntüler üzerinden otomatik olarak tespitinde başarılı performans sergilemiştir. Bu yöntemlerin, klinik karar destek sistemlerine entegre edilerek zamandan tasarruf sağlayan ve değerlendirme süreçlerini standardize eden araçlar olarak kullanılabileceği düşünülmektedir.
Anahtar Kelimeler: Kemik Grefti, Nnu-Net, Yolov8, Derin Öğrenme