2B lateral kafatası röntgen görüntülerinde sefalometrik işaret noktalarının otomatik tespiti için YOLOv12 tabanlı bir yaklaşım

Kafatası röntgenlerindeki küçük noktaları tespit etmenin önemi

Bir ortodontist teller, çene ameliyatı veya yüz dengesizlikleri için tedavi planlarken başın yandan çekilmiş röntgenlerinden alınan ayrıntılı ölçümlere güvenir. Bu ölçümler, kafatası ve yüzde dağılmış onlarca küçük anatomik referans noktasına dayanır. Bugün bu noktaların birçoğu hâlâ elle işaretleniyor; bu süreç yavaş ve bir ölçüde öznel. Bu çalışma, popüler YOLO görüntü algılama ailesinin gelişmiş bir versiyonu olan modern bir yapay zekâ (YZ) sisteminin, ortodontik bakımın daha hızlı, daha tutarlı ve daha erişilebilir olmasını amaçlayarak bu kilit işaret noktalarını kafatası röntgenlerinde otomatik olarak nasıl bulabileceğini araştırıyor.

Titiz işaretlemeden otomatik yönlendirmeye

Yaklaşık bir asırdır “sefalometrik analiz” ortodontik tanının omurgasını oluşturuyor. Klinik uzmanlar standartlaştırılmış yandan röntgene bakar ve çene, dişler, burun, dudaklar ve kafa tabanı üzerinde belirli noktaları işaretler. Bu koordinatlardan tedavi kararlarını yönlendiren açılar ve mesafeler hesaplanır. Bunu elle yapmak bir röntgen başına 10–15 dakika sürebilir ve deneyimli uzmanlar bile birkaç milimetre farklılık gösterebilir; bu da hassas tedavi planlarını etkileyebilir. Diş hekimliği uygulamaları daha fazla hasta gördükçe ve sürekli daha ince hassasiyet hedefledikçe, uzman denetimini kaybetmeden bu işi hızlandırma ve insan kaynaklı değişkenliği azaltma baskısı artmaktadır.

Modern YZ bir röntgeni nasıl "görür"

Özellikle derin öğrenmedeki son ilerlemeler, bilgisayarların görüntüleri yorumlama şeklini dönüştürdü. El yapımı kurallarla programlanmak yerine derin sinir ağları etiketlenmiş büyük örnek koleksiyonlarından doğrudan öğrenir. Tıbbi görüntülemede, konvolüsyonel sinir ağları adlı bir model sınıfı, basit kenarlardan karmaşık anatomik şekillere kadar otomatik olarak desenler keşfedebildiği için özellikle başarılı oldu. Bu bağlamda “You Only Look Once” yani YOLO ailesi, nesneleri son derece hızlı ve tek geçişte tespit etmedeki başarısıyla öne çıkıyor. En yeni nesil YOLOv12, dikkat mekanizmaları ve çok ölçekli işlemeyi dahil ederek sefalometrik işaretler gibi küçük, yakında kümelenmiş yapıları bulmada özellikle yararlı özellikler sunuyor.

Daha akıllı bir işaret noktası avcısı inşa etmek

Yazarlar, birbirine eklenince toplamda 500’ün hemen altında görüntüye ulaşan iki halka açık yandan kafatası röntgeni koleksiyonunu birleştirdiler; her görüntü deneyimli klinisyenler tarafından işaretlenmiş 19 önemli sefalometrik işaret noktası içeriyordu. Görüntüleri daha kompakt bir formata dönüştürdüler ve her bir işaret noktasının koordinatını, YOLOv12’nin nesneleri kutucuk olarak algılayabilmesi için noktanın merkezinde küçük bir kare “kutucuk”a çevirdiler; böylece her işaret noktasını küçük bir hedef olarak ele aldı. Roboflow adlı bir platform kullanarak yinelenen görüntüleri kaldırdılar ve hafif dönüşler, parlaklık değişiklikleri ve gürültü gibi ılımlı dönüşümler uyguladılar. Bu varyasyonlar eğitim görüntüsü sayısını fiilen üç katına çıkardı ve modelin görüntü kalitesi ve hasta anatomisindeki farklılıklara karşı daha dayanıklı olmasına yardımcı oldu.

YZ’nin eğitim ve test sürecinin iç yüzü

Araştırmacılar, büyük bir YOLOv12 modelini güçlü bir grafik işlemcide 50 eğitim turu (epoch) boyunca eğittiler. Eğitim sırasında modelin iç katmanları ham röntgeni önemli bölgeleri vurgulayan özelliklere dönüştürmeyi öğrendi ve modelin çıktı "başı" her işaret etrafına küçük bir kutucuk çizip buna bir güven skoru atamayı öğrendi. Eğitim tamamlandıktan sonra model daha önce hiç görmediği 94 röntgende test edildi. Performansı değerlendirmek için ekip, her tahmin edilen işaret noktasının uzman tarafından işaretlenmiş karşılığına olan uzaklığını ölçtü. Ayrıca kesinlik–çağrı (precision–recall) eğrilerini, farklı işaretler arasındaki karışıklık desenlerini ve belirli noktalar için uyumu gösteren ayrıntılı çizimleri incelediler.

YZ’nin doğru yaptığı şeyler — ve zorlandığı alanlar

Genel olarak sistem, tüm işaret noktalarının yaklaşık yarısını uzman işaretlerine 1 milimetre içinde buldu ve yaklaşık yüzde 80’inin biraz üzerinde bir kısmını 2 milimetre içinde tespit etti; bu, birçok klinik görev için kabul edilebilir bir aralık. Sella, Gnathion, Menton ve bazı dişe ilişkin noktalar gibi belirgin şekillere ve güçlü kontrasta sahip işaretlerde başarılı oldu; bu noktalarda tahminlerin üçte ikisinden fazlası 1 milimetre içinde ve yüzde 93’ten fazlası 2 milimetre içinde yer aldı. Model, çene ve ön diş çevresindeki yakın kümeleri ayırt etmede de şaşırtıcı derecede iyi performans gösterdi; bu, modelin yalnızca izole pikselleri değil, ince mekânsal ilişkileri de öğrendiğini düşündürüyor. Ancak Gonion, Subspinale, Orbitale, Articulare ve Porion gibi daha belirsiz bölgelerde zorlandı. Bu alanlar, örtüşen kemikler ve düşük kontrast nedeniyle insanlar için bile sınırların belirsiz olduğu yerlerdir ve düşük kaliteli röntgenler doğruluğu daha da düşürdü.

Geleceğin ortodontik bakımına etkileri

Yazarlar, YOLOv12 tabanlı sistemlerinin henüz insan uzmanların yerini alacak düzeyde olmadığını, ancak yarı otomatik sefalometrik analiz için güçlü bir kavramsal kanıt sunduğunu belirtiyor. Pratikte böyle bir araç, klinisyenlerin daha sonra ince ayar yapacağı öncü işaretleri hızlıca yerleştirebilir; bu sayede YZ’nin hızı ve tutarlılığı profesyonel yargıyla harmanlanmış olur. Daha büyük ve daha çeşitli eğitim veri kümeleri, düşük kaliteli görüntülerin daha iyi işlenmesi ve modelin sürekli rafine edilmesi ile gelecekteki sürümler gerçek klinik düzey performansına yaklaşabilir. Bu gerçekleşirse, ortodontistler yakında röntgenleri elle işaretlemeye daha az zaman harcayıp bu ölçümleri kişiye özel tedavi planları oluşturmak için daha çok kullanabilirler.

Atıf: Akre, P.D., Ghavghave, Y.G. & Pacharaney, U. A YOLOv12-based approach for automatic detection of cephalometric landmarks on 2D lateral skull X-ray images. Sci Rep 16, 12837 (2026). https://doi.org/10.1038/s41598-026-43250-z

Anahtar kelimeler: sefalometrik analiz, ortodontik görüntüleme, derin öğrenme, işaret noktası tespiti, YOLOv12