Derin öğrenme yöntemiyle geliştirilmiş yapay zekâ algoritmalarıyla panoramik radyografilerde dens invaginatus tespiti

Abstract

Amaç: Çalışmamızın amacı, panoramik radyografilerde dens invaginatuslu dişlerin tespitinde, iki farklı etiketleme ile YOLOv5 ve YOLOv8 derin öğrenme modelleri kullanılarak geliştirilen yapay zekâ uygulamasının başarısını ve güvenilirliğini değerlendirmektir. Gereç ve Yöntem: Bu çalışmada, 8-18 yaş arası hastalara ait 656 panoramik radyografi üzerinde üst anterior bölgedeki dens invaginatuslu dişlerin detection ve segmentasyon yöntemleri ile etiketlemesi yapıldı. Görüntüler üzerindeki etiketlemeler, CranioCatch (Eskişehir, Türkiye) yazılımı kullanılarak 2,5 yıllık deneyime sahip araştırma görevlisi ve 15 yıllık deneyime sahip çocuk diş hekimi uzmanı tarafından gerçekleştirildi. Her bir model kesinlik, duyarlılık ve F1 skorunu içeren performans kriterlerine göre değerlendirildi. Bulgular: YOLOv5 modelinin detection yöntemi ile etiketlemeler sonucu kesinlik, duyarlılık ve F1 skoru değerleri sırasıyla 0,945, 0,887 ve 0,915 iken; segmentasyon yöntemi için bu değerler 0,905, 0,928, 0,916 olarak bulundu. YOLOv8 modelinin detection yöntemi ile etiketlemeler sonucu kesinlik, duyarlılık ve F1 skoru sırasıyla 0,950, 1 ve 0,974 iken; segmentasyon yöntemi için bu değerler 0,940, 0,994, 0,966 olarak bulundu. Sonuç: Çalışmamızın sonuçlarına göre geliştirilen derin öğrenme modellerinin, dens invaginatus tespitinde başarılı olduğu görülmüştür. Derin öğrenme destekli sistemlerin çocuk diş hekimliği pratiğinde yer alabileceği ve hekimler için karar destek mekanizması olabileceği düşünülmektedir. Anahtar Kelimeler: Dens invaginatus, Panoramik radyografi, Yapay zekâ, YOLO

Objective: The aim of this study was to evaluate the success and reliability of an artificial intelligence application developed using YOLOv5 and YOLOv8 deep learning models with two different labeling for the detection of teeth with dens invaginatus in panoramic radiographs. Materials and Methods: In this study, 656 panoramic radiographs of patients aged 8 to 18 were labeled for teeth with dens invaginatus in the upper anterior region using segmentation and detection methods. The labeling of the images was performed using the CranioCatch software (Eskişehir, Turkey) by a research assistant with 2.5 years of experience and a pediatric dentist with 15 years of experience. Each model was evaluated based on performance criteria, including precision, accuracy, and F1 score. Results: In this study, the detection method of the YOLOv5 model yielded precision, recall, and F1 scores of 0.945, 0.887, and 0.915, respectively. For the segmentation method of the same model, these values were 0.905, 0.928, and 0.916, respectively. In the case of the YOLOv8 model, the detection method achieved precision, recall, and F1 scores of 0.950, 1, and 0.974 while for the segmentation method, these values were 0.940, 0.994, and 0.966, respectively. Conclusion: Based on the results of this study, it has been observed that the deep learning models developed were successful in detecting dens invaginatus. It is believed that deep learning-supported systems could be integrated into pediatric dentistry practice and serve as a decision support mechanism for clinicians. Keywords: Dens invaginatus, Panoramic radiography, Artificial intelligence, YOLO