Akademik Veri Yönetim Sistemi
4th International Congress of Maxillofacial Radiology Society 'Multidisciplinary Approach to Maxillofacial Imaging', İzmir, Türkiye, 19 - 23 Ekim 2022, ss.202-203
Amaç: Bu çalışmanın amacı, bitewing radyografide pulpa taşlarının tespit edilebilmesi için tasarlanmış tanı amaçlı derin
öğrenme modelinin işlevini değerlendirmektir.
Gereç ve Yöntemler: 1269 randomize yetişkin bitewing radyografi görüntüsü üzerinde 1745 pulpa taşı CranioCatch etiketleme
programı (CranioCatch, Eskişehir, Türkiye) ile poligonal tipteki etiketleme yöntemi etiketlenmiştir. Tüm görüntüler Ağız, Diş
ve Çene Radyolojisi uzmanları tarafından tekrar ortak kararla etiketlenmiştir. Bu veri seti eğitim (n = 1017 (1396 etiket),
doğrulama (n = 126 (174 etiket),) ve test (n = 126) (175 etiket)) setlerine ayrılmıştır. Mask R-CNN mimarisi kullanılarak yapay
zeka modeli geliştirilmiştir. Model başarısı konfüzyon matriks ile değerlendirilmiştir.
Bulgular: Test veri setinde Mask R-CNN mimarisi kullanılarak elde edilen yapay zeka modelinin F1, duyarlılık ve kesinlik
sonuçları sırasıyla 0.8879, 0.9115 ve 0.8995 olarak bulunmuştur.
Tartışma- Sonuç: Derin öğrenme temelli yapay zeka algoritmalarının bitewing radyografilerde dişlerdeki pulpa taşlarının
segmentasyonundaki başarısı ümit vadetmektedir. Başarı oranları derin öğrenme tekniklerinde veri seti arttıkça artmaktadır.
Daha fazla görüntü ile hazırlanan veri setlerinin eğitim modellerinde başarı oranları artacaktır. Gelecek çalışmalar daha fazla
veri ile yapılmalıdır. Yapay zeka destekli klinik karar destek sistemi yazılımları hekimlere yardımcı olarak kullanılabilir.
Anahtar Kelimeler: Bitewing radyografi, derin öğrenme, yapay zekâ, pulpa taşı
Purpose: The purpose of this study is to evaluate the function of a diagnostic deep learning model designed for the detection
of pulp stones on bitewing radiography.
Material and Methods: 1745 pulp stones on 1269 randomized adult bitewing radiography images were labeled with the
CranioCatch labeling program (CranioCatch, Eskişehir, Turkey) using the polygonal type labeling method. All images have
been re-labeled by the Oral, Dental and Maxillofacial Radiology experts. This dataset is divided into training (n = 1017 (1396
labels), validation (n = 126 (174 labels),) and test (n = 126) (175 labels)) sets. An artificial intelligence (AI) model was
developed using the Mask R-CNN architecture. Model success was evaluated with the confusion matrix.
Results: The F1, sensitivity and precision results of the artificial intelligence model obtained using the Mask R-CNN
architecture in the test dataset were found to be 0.8879, 0.9115 and 0.8995, respectively.
Discussion- Conclusion: The success of deep learning-based artificial intelligence algorithms in the segmentation of dental
pulp stones in bitewing radiographs is promising. Success rates increase as the dataset increases in deep learning techniques.
Success rates will increase in training models of datasets prepared with more images. Future studies should be done with more
data. Artificial intelligence supported
Keywords: Bitewing radiography, deep learning, artificial intelligence, pulp stone