Mandibular premolar dişlerdeki farklı kök kanal anatomilerinin yapay zeka ile değerlendirilmesi

Abstract

Kök kanal tedavisinin temel amacı, kanal içerisindeki enfekte dokuların tamamen uzaklaştırılarak dişin mikroorganizmalardan arındırılmasını sağlamaktır. Bu durum, tedavinin başarısını belirleyen en önemli faktörlerden biridir. Rutin klinik uygulamalarda kullanılan iki boyutlu ortopantomografik (OPG) görüntülerde, dişlerde bulunan ekstra kanalların gözden kaçırılması ve yeterince temizlenememesi, tedavi başarısını olumsuz etkileyen başlıca nedenler arasında yer almaktadır. Ayrıca, radyografik görüntülerin değerlendirilmesi subjektiflik içerebilmekte ve hatalara açık olabilmektedir. Bu sınırlılıkların azaltılması ve değerlendirme sürecinde standardizasyonun sağlanabilmesi amacıyla yapay zekâ temelli yaklaşımlar ön plana çıkmaktadır. Bu çalışmanın amacı, ortopantomografik görüntülerde mandibular premolar dişlerde bulunan ekstra kanal yapılarını bir yapay zekâ modeli olan nnU-Net'e öğreterek otomatik segmentasyonunu gerçekleştirmek ve model performansını değerlendirmektir. Çalışmaya dahil edilen OPG görüntülerinde, kanal tedavisi uygulanmış dişler, dört premolardan herhangi biri eksik olan olgular, ilgili bölgede diş eksikliği bulunan bireyler ve görüntüde artefakt içeren kayıtlar çalışma dışı bırakılmıştır. Çalışma kapsamında, tek kanala sahip mandibular premolarları içeren 300 OPG ve en az bir, en fazla dört ekstra kanala sahip mandibular premolarları içeren 300 OPG olmak üzere toplam 600 OPG görüntüsü analiz edilmiştir. Kanal segmentasyonu işlemi RectLabel yazılımı kullanılarak gerçekleştirilmiş ve elde edilen etiketli görüntülerle nnU-Net modeli eğitilmiştir. Çalışmada, sınıf dengesizliği ve ince yapıların segmentasyonuna bağlı zorlukları birlikte ele alabilmek amacıyla bileşik bir kayıp fonksiyonu tercih edilmiştir. nnU-Net modelinin OPG üzerinde gerçekleştirdiği otomatik segmentasyon sonucunda %99 doğruluk, 0,89 Dice skoru ve 0,77 mIoU değeri elde edilmiştir. Bu çalışma, mandibular premolar dişlerde ekstra kanal tespitinin yapay zekâ ile değerlendirilmesine yönelik öncü çalışmalardan biri olup, gelecekte yapılacak araştırmalar için temel oluşturma potansiyeline sahiptir. Derin öğrenme tabanlı sistemlerin yüksek doğruluk oranları ile hızlı ve güvenilir sonuçlar sunarak klinisyenlere destek olabileceği ve endodontik tedavi başarısını artırabileceği düşünülmektedir.The primary objective of root canal treatment is the complete elimination of infected tissues and microorganisms from the root canal system, which is essential for successful treatment. However, in routine clinical practice, additional root canals may be overlooked in two-dimensional orthopantomographic (OPG) images, leading to inadequate debridement and compromised treatment outcomes. Moreover, radiographic interpretation is often subjective and prone to errors. Therefore, this study aimed to develop a deep learning-based artificial intelligence model (nnU-Net) for the automatic segmentation of additional root canal structures in mandibular premolars using OPG images and to evaluate its performance in this regard. OPG images of previously treated root canals, missing premolars, missing teeth in the relevant jaw region, or imaging artifacts were excluded. A total of 600 OPG images were included, comprising 300 images of mandibular premolars with a single root canal and 300 images with at least one and up to four additional canals. Manual segmentation of the root canals was performed using RectLabel software, and the annotated images were used to train the nnU-Net model. A composite loss function was employed to address the class imbalance and challenges associated with the segmentation of fine anatomical structures. The nnU-Net model achieved an accuracy of 99%, Dice similarity coefficient of 0.89, and mean Intersection over Union (mIoU) of 0.77 for automatic segmentation of root canal structures on OPG images. This study represents one of the first attempts to evaluate additional root canal detection in mandibular premolars using artificial intelligence. The findings suggest that deep learning-based systems can provide fast, reliable, and accurate detection of additional canals, potentially assisting clinicians and improving the success and quality of endodontic treatment.