ÇOCUKLARIN DENTAL PANORAMİK RADYOGRAFİLERİNDE YAMA TABANLI DİŞ SEGMENTASYONU

Dental Panoramik Radyografisi (DPR), ağız sağlığını değerlendirmek için yaygın olarak kullanılan bir görüntüleme yöntemidir. Bununla birlikte, süt dişlerinin değişken morfolojisi ve 2 boyutlu projeksiyonlarda üst üste binen anatomik yapıların doğasında var olan karmaşıklık nedeniyle, pediatrik DPR'lerde doğru diş segmentasyonu önemli bir zorluk olmaya devam etmektedir. Bu çalışma, yama tabanlı derin öğrenme (DÖ) yaklaşımı kullanarak pediatrik DPR'lerde segmentasyon doğruluğunu artırmak amacıyla yapılmıştır. Modeller, 193 pediatrik DPR ve bunlara karşılık gelen gerçek maskelerden oluşan nispeten yeni CDPR veri seti kullanılarak eğitilmiştir. Optimal giriş boyutunu araştırmak için, görüntüler tam çözünürlüklü görüntülere ek olarak 2, 4, 8, 16 ve 32 yamaya bölünmüştür. Beş önde gelen DÖ modeli—PSPNet, DeepLabv3+, R2 U-Net, U-Net ve U-Net++—bu farklı yama konfigürasyonlarında eğitilmiş ve değerlendirilmiştir. Daha sonra, kapsamlı değerlendirme için tam boyutlu segmentlenmiş görüntüleri yeniden oluşturmak üzere özne tabanlı bir yama yeniden yapılandırma yöntemi uygulanmıştır. Deneysel sonuçlar, PSPNet, DeepLabv3+ ve U-Net için en iyi segmentasyon performansının 8-yama yaklaşımıyla elde edildiğini, R2 U-Net'in ise 16-yama konfigürasyonuyla en iyi performansı gösterdiğini ortaya koymuştur. Özellikle, 2-yama yaklaşımını kullanan U-Net++ modeli, diğer tüm modelleri ve konfigürasyonları geride bırakarak 0,9222'lik en yüksek Dice skoruna ulaşmıştır. Bu bulgular, yama tabanlı eğitimin pediatrik DPR'lerde segmentasyon performansını önemli ölçüde iyileştirdiğini göstermektedir; bu da özellikle sınırlı veri koşullarında son derece değerli bir sonuçtur. Bu yeni yaklaşım, segmentasyon doğruluğunu ve genel iş akışı verimliliğini artırarak pediatrik diş bakımını etkili bir şekilde desteklemek için klinik entegrasyon açısından umut verici sonuçlar sunmaktadır.