Konik ışınlı bilgisayarlı tomografi ile tespit edilen mandibular ikinci molarlardaki C şekilli kanalların panoramik radyograflar üzerinde tespit edilme doğruluklarının derin öğrenme yöntemiyle geliştirilmiş yapay zekâ algoritmalarıyla değerlendirilmesi

Abstract

Amaç: Bu çalışmanın amacı konik ışınlı bilgisayarlı tomografi (KIBT) yardımı ile eğitilmiş panoramik radyografiler üzerinde mandibular 2. molarlardaki C şekilli kanal formasyonun farklı derin öğrenme algoritmaları ile tespitini yapabilmektir. Yöntem: Çalışmamıza Pamukkale Üniversitesi, Diş Hekimliği Fakültesi Ağız, Diş ve Çene Radyolojisi Anabilim Dalı arşivinde dijital panoramik radyografisi ve konik ışınlı bilgisayarlı tomografi görüntüleri bulunan ve 37 veya 47 numaralı dişlerinden en az birisinin ağız içerisinde bulunduğu 592 hastaya ait görüntüler (C şekilli kanal bulunan 289 ve C şekilli olmayan 303 panoramik radyografi) dahil edildi. C şekilli kanal bulunan 289 panoramik radyografiden tek taraflı ve çift taraflı olmak üzere 422 adet ve C şekilli kanal bulunmayan 303 panoramik radyografiden C şekilli kanal sayısıyla aynı olacak şekilde 422 adet 37 ve 47 numaralı dişler panoramik radyografide etiketlendi. Böylece C şekilli kanal bulunan ve bulunmayan 844 adetlik görüntü veri setimiz oluşturuldu. C şekilli bir kanalın varlığını doğrulamak için KIBT görüntüleri altın standart olarak kabul edildi. Veri setimizi oluşturan 844 panoramik görüntüdeki C şekilli kanallı diş tespiti için 11 farklı derin öğrenme modelinin (InceptionV3, VGG19, Xception, ResNet152V2, EfficientNetB1, EfficientNetB0, VGG16, ResNet50, ResNet50V2, DenseNet169 ve DenseNet201) orijinal ve ön işleme yapılan panoramik görüntülerinden 37 ve 47 numaralı dişlerde (kron-kök ve sadece kök şeklinde iki ayrı grup olacak şekilde) C şekilli kanalların tespit doğruluk performansı araştırıldı. Ayrıca random majority görüntülerin karmaşıklık matris kullanılarak performans metrikleri değerlendirildi. Bulgular: Kron ve kök veri setimizdeki orijinal ve ön işlemli görüntüler için en yüksek ortalama doğruluk değerleri 0,885 (%88,5) ve 0,886 (%88,6), sadece kök veri setimizdeki orijinal ve ön işlemli görüntüler için en yüksek ortalama doğruluk değerleri 0,892 (%89,2) ve 0,887 (%88,7) olarak bulundu. Kron ve kök veri ve sadece kök veri setlerindeki random majority görüntülerin en II yüksek doğruluk performans metrik sonuçları sırasıyla 0,902 (%90,2) ve 0,897 (%89,7) olarak bulundu. Kron-kök veri setindeki görüntülere ön işlem yapıldığında InceptionV3, VGG19, Xception ve ResNet152V2 derin öğrenme mimarilerinin ortalama doğruluk değeri arttı, EfficientNetB1, EfficientNetB0, VGG16, ResNet50, ResNet50V2, DenseNet169 ve DenseNet201 derin öğrenme mimarilerinin ortalama doğruluk değeri azaldı. Kök veri setindeki görüntülere ön işlem yapıldığında EfficientNetB0, ResNet50, ResNet50V2, Xception ve ResNet152V2 derin öğrenme mimarilerinin ortalama doğruluk değeri arttı; kök veri setindeki görüntülere ön işlem yapıldığında InceptionV3, EfficientNetB1, VGG16, VGG19, DenseNet169 ve DenseNet201 derin öğrenme mimarilerinin ortalama doğruluk değeri azaldı. Sonuç: Derin öğrenme mimarilerinin kombine kullanımı ile yüksek performans değerlerine ulaşılmıştır. Çalışmamız endodontik kanal tedavilerinin başarısı açısından C şekilli kanalların tespiti için önemli bir niteliktedir ve derin öğrenme modelleri klinisyenlere yardımcı olabilecek yeterliliktedir.

Objective: The aim of this study is to detect the C-shaped canal formation in mandibular second molars on panoramic radiographs trained with the aid of cone-beam computed tomography (CBCT) using different deep learning algorithms. Method: Our study included images of 592 patients with at least one of their 37th or 47th teeth present in the mouth, archived in the Department of Oral, Dental, and Maxillofacial Radiology, Faculty of Dentistry, Pamukkale University. These images consisted of digital panoramic radiographs and cone-beam computed tomography (CBCT) scans. The dataset included 289 panoramic radiographs with C-shaped canals and 303 panoramic radiographs without C-shaped canals. From the 289 panoramic radiographs with C-shaped canals, a total of 422 teeth (both unilateral and bilateral) were labeled, and an equal number of 422 teeth from the 303 panoramic radiographs without C-shaped canals were labeled. This resulted in a dataset of 844 labeled panoramic radiographs for teeth numbered 37 and 47, with and without C-shaped canals. CBCT images were considered the gold standard for confirming the presence of a C-shaped canal. To detect C-shaped canals in the 844 panoramic images comprising our dataset, the detection accuracy performance of 11 different deep learning models (InceptionV3, VGG19, Xception, ResNet152V2, EfficientNetB1, EfficientNetB0, VGG16, ResNet50, ResNet50V2, DenseNet169, and DenseNet201) was investigated. The models were applied to original and preprocessed panoramic images of teeth numbered 37 and 47, divided into two separate groups: crown-root and root-only. Additionally, the performance metrics were evaluated using confusion matrices based on random majority images. Results: For the crown-root dataset, the highest average accuracy values for original and preprocessed images were found to be 0.885 (88.5%) and 0.886 (88.6%), respectively. For the root-only dataset, the highest average accuracy values for original and preprocessed images were 0.892 (89.2%) and 0.887 (88.7%), respectively. The highest accuracy performance metrics for random majority images in the crown-root and root-only datasets were 0.902 (90.2%) and 0.897 (89.7%), respectively. When preprocessing was applied to the crown-root dataset, the average accuracy values increased for the deep learning architectures InceptionV3, VGG19, Xception, and ResNet152V2, while they decreased for EfficientNetB1, EfficientNetB0, VGG16, IV ResNet50, ResNet50V2, DenseNet169, and DenseNet201. For the root-only dataset, preprocessing increased the average accuracy for EfficientNetB0, ResNet50, ResNet50V2, Xception, and ResNet152V2, whereas it decreased for InceptionV3, EfficientNetB1, VGG16, VGG19, DenseNet169, and DenseNet201. Conclusion: High-performance values were achieved through the combined use of deep learning architectures. Our study is significant for the detection of C-shaped canals in terms of the success of endodontic treatments, and deep learning models are sufficiently capable of assisting clinicians.