Akademik Veri Yönetim Sistemi
3. Uluslararası Genç ORAD Sempozyumu, Nevşehir, Türkiye, 5 - 08 Kasım 2025, ss.36-37, (Özet Bildiri)
Amaç
Dental restoratif yapıların doğru bir şekilde segmentasyonu, tedavi planlamasının optimize edilmesi, implant konumlarının değerlendirilmesi ve dijital dental arşivlerin standardizasyonu açısından büyük önem taşımaktadır. Bu çalışmanın amacı, nnU-NetV2 3D derin öğrenme modeli kullanılarak konik ışınlı bilgisayarlı tomografi (KIBT) görüntülerinde dental restorasyonların çok sınıflı otomatik segmentasyon performansını değerlendirmektir. Segmentasyonu yapılan yapılar altı sınıfta incelenmiştir: kök kanal dolgusu, dolgu, pontik, kuron, dental implant ve implant destekli kuron.
Gereç ve Yöntem
Retrospektif olarak tasarlanan bu çalışmada toplam 153 KIBT verisi kullanılmıştır. Veriler eğitim (%91, n=139) ve test (%9, n=14) gruplarına ayrılmıştır. DICOM formatındaki görüntüler, modelin işlenebilirliği için NIfTI formatına dönüştürülmüştür. Model eğitimi, nnU-NetV2’nin “3D lowres” konfigürasyonu kullanılarak 1000 epoch boyunca gerçekleştirilmiştir. Modelin performansı; doğruluk, ortalama yüzey mesafesi, Dice katsayısı, Hausdorff mesafesi, Jaccard indeksi ve duyarlılık (sensitivity) gibi ölçütlerle değerlendirilmiştir.
Bulgular
nnU-NetV2 tabanlı model genel olarak yüksek segmentasyon başarısı göstermiştir; ancak performans sınıflar arasında değişkenlik göstermiştir. En yüksek Dice skorları kök kanal dolgusu (0.804) ve dolgu (0.730) sınıflarında elde edilirken, en düşük performans implant destekli kuron sınıfında (0.230) gözlenmiştir. Hausdorff mesafesi değerleri dolgu (9.56) ve pontik (10.36) sınıflarında daha yüksek bulunmuş, bu durum sınır belirleme hassasiyetinde değişkenlik olabileceğini göstermiştir.
Sonuç
nnU-NetV2 3D lowres modeli, KIBT verilerinde dental restoratif yapıların otomatik segmentasyonunda uygulanabilir ve etkili bir başlangıç modeli olarak öne çıkmaktadır. Özellikle kök kanal dolgusu ve dolgu sınıflarında yüksek doğruluk elde edilmiştir. Veri çeşitliliğinin artırılması ve yüksek çözünürlüklü model konfigürasyonlarının kullanılmasıyla model performansının daha da iyileştirilebileceği düşünülmektedir. Bu tür yapay zekâ tabanlı otomatik sistemler, klinik tedavi planlaması, vaka takibi ve dijital diş hekimliğinde karar destek mekanizmalarına önemli katkılar sağlayabilir.
Anahtar Kelimeler: yapay zekâ, nnU-NetV2, restorasyon, segmentasyon
Objectives
Accurate segmentation of restorative dental structures is essential for optimizing treatment planning, assessing implant positioning, and standardizing digital dental archives. This study aimed to evaluate the multi-class automatic segmentation performance of dental restorations in CBCT images using the nnU-NetV2 3D deep learning model. The segmentation included six classes: root canal filling, restorative filling, pontic, crown, dental implant, and implant-supported crown.
Materials and Methods
A total of 153 CBCT datasets were retrospectively collected and divided into training (91%, n=139) and testing (9%, n=14) sets. DICOM datasets were converted to NIfTI format for model compatibility. The nnU-NetV2 model was trained for 1000 epochs using the “3D lowres” configuration. Model performance was evaluated using accuracy, mean surface distance, Dice coefficient, Hausdorff distance, Jaccard index, and sensitivity metrics.
Results
The nnU-NetV2-based model achieved high overall segmentation accuracy, though performance varied among classes. The highest Dice scores were obtained for root canal filling (0.804) and restorative filling (0.730), while the lowest performance was observed for implant-supported crowns (0.230). Higher Hausdorff distance values for restorative filling (9.56) and pontic (10.36) indicated boundarylevel variability.
Conclusions
The nnU-NetV2 3D low-resolution model demonstrated that automated segmentation of restorative materials in CBCT data is both feasible and effective. Strong results were achieved for root canal fillings and restorative fillings. Future improvements in model performance may be achieved through increased data diversity and higher-resolution model configurations. Such AI-driven systems can support clinical treatment planning, case monitoring, and the advancement of digital dentistry.
Keywords: artificial intelligence, nnU-NetV2, restoration, segmentation