SEMANTİK BÖLÜTLEME VE NESNE TESPİTİ YÖNTEMLERİ KULLANILARAK LATERALSEFALOMETRİK RADYOGRAFİLERDE SERVİKAL VERTEBRALARIN İNCELENMESİYLE KEMİK YAŞI ANALİZİ

Abstract

Servikal vertebra matürasyonu (CVM), ortodontik tedavide büyüme dönemini doğru yakalamak için önemli, güvenilir bir göstergedir. El-bilek grafileri bu amaçla kullanılsa da hastaya ek radyasyon yükler; yorumlayıcı çeşitliliğe açıktır, yorucudur, zaman gerektirir. Bu tez, rutin lateral sefalogramlardan CVM'yi ek çekim gerektirmeden, klinik hız sınırlarını aşmadan değerlendiren otomatik yapay zekâ hattı geliştirmeyi hedeflemiştir. Model eğitimi için Van Yüzüncü Yıl Üniversitesi Ortodonti A.D. arşivinden seçilen 3750 sefalogram kullanılmıştır. Önerilen modüler sistem üç basamaktan oluşur. Birinci basamakta YOLO-v11, C2-C4 bölgesini milisaniye ölçeğinde saptar; %99,8 kesinlik, %99,8 duyarlılık ve mAP??? = 0,9935 ile bölgeyi nokta atışıyla tanımlar. İkinci basamakta Attention-ResUNet, çok-ölçekli dikkat bloklarıyla kemik kenarlarını piksel düzeyinde ayıklar ve Dice = 0,956, Kesinlik (Precision) = 0,954 skorlarıyla kontur uyumunu klinik gereksinimlerin üzerine çıkarır. Üçüncü basamakta NFNet, altı evreli CVMS sistemine göre olgunluk sınıflandırması yapar; bağımsız testte %90,0 doğruluk, 0,990 ROC-AUC ve 0,980 spesifisite sunarak ayırım gücü yüksek, hatalı sınıflamaları sınırlı tutar. Veri beş katlı, stratifiye çapraz doğrulamayla bölünmüştür; K-fold ortalama doğruluk %88,5 ve %RSD 1,79 olarak belirlenmiş, model çıktılarının tutarlı olduğunu göstermiştir. Bu bulgular, literatürde daha küçük örneklem setleriyle raporlanan yaklaşımlara kıyasla geniş veri üzerinde rekabetçi değerler sunmaktadır. Ayrıca tespit, segmentasyon ve sınıflandırmayı tek adımda birleştirerek işlem süresini önemli ölçüde kısaltmakta ve hekim iş yükünü azaltmaktadır. Geliştirilen sistem, CVM temelli yaş tayinini hızlı ve düşük radyasyonlu hale getirerek yorumcu bağımlılığını azaltan yenilikçi ve etkili bir alternatif sunmakta olup klinik kullanıma hazırdır. Gelecekte çok-görevli öğrenme ile dental yaş veya frontal sinüs gelişimi gibi ek göstergelerin aynı hat üzerinden tahmini ve üç boyutlu düşük doz görüntü verilerinin entegrasyonu önerilmektedir.Cervical vertebral maturation (CVM) is an important and reliable indicator for accurately identifying growth stages in orthodontic treatment. Although hand-wrist radiographs are conventionally used for this purpose, they impose additional radiation exposure, are prone to inter-observer variability, are tedious, and require extra clinical time. This thesis aimed to develop an automated artificial intelligence workflow capable of assessing CVM from routine lateral cephalograms without additional imaging and within clinical speed limits. For model training, 3,750 cephalograms were selected from the archives of the Department of Orthodontics at Van Yüzüncü Yıl University. The proposed modular system consists of three stages. First, YOLO-v11 rapidly localizes the C2-C4 region within milliseconds, achieving 99.8 % precision, 99.8 % recall, and an mAP??? of 0.9935, ensuring highly accurate detection. Second, Attention-ResUNet, utilizing multi-scale attention blocks, precisely segments the bone contours at the pixel level, obtaining Dice = 0.956 and Precision = 0.954 scores that surpass clinical thresholds for anatomical accuracy and contour sensitivity. Third, NFNet classifies skeletal maturation according to the six-stage CVMS system, yielding 90.0 % accuracy, a ROC-AUC of 0.990, and specificity of 0.980 on the independent test set, effectively minimizing classification errors. Data were partitioned using five-fold stratified cross-validation; mean fold accuracy was determined as 88.5 % with an RSD of 1.79 %, demonstrating consistent model performance. These results provide competitive values over larger datasets compared to literature reports using smaller samples. Additionally, consolidating detection, segmentation, and classification into one step significantly shortens processing time and reduces clinician workload. The developed system offers a rapid, low-dose, interpreter-independent, innovative and effective alternative for CVM-based age estimation and is ready for clinical implementation. Future work should investigate multitask learning to concurrently estimate dental age or frontal sinus development and integrate three-dimensional low-dose imaging data.