Aydın N, Yıldırım H, Alataş F, Sarıay B, Mert B, Demir S
Tuberculosis and Thorax - 2025;73(4):249-257
Giriş: Bu çalışmanın amacı, yapay zeka derin öğrenme yöntemini kullanarak yüksek çözünürlüklü bilgisayarlı tomografi (HRCT) incelemelerinde bal peteği kistleri, traksiyon bronşektazisi ve amfizemli akciğer parankiminin segmentasyonunu gerçekleştirmekti. Materyal ve Metod: Çalışma, 2017-2021 yılları arasında tipik interstisyel pnömoni tanısı alan 265 hastanın kesitsel görüntülerini içermektedir. Parenkimal pencerede aksiyal kesitlerde minimum yoğunluk projeksiyonu (MinIP) gerçekleştirildi. Amfizem alanları, traksiyon bronşektazisi ve bal peteği kistleri aksiyal HRCT görüntülerinde segmentlere ayrıldı ve etiketlendi. Veri seti, sırasıyla %80, %10 ve %10 oranlarında eğitim, doğrulama ve test olmak üzere üç bölüme ayrıldı. Sonuçlar, birleşim üzerinde kesişim (Jaccard indeksi) istatistiği için eşik değeri olarak %50 seçilerek hesaplandı. Bulgular: Çalışmaya dahil edilen 265 hastanın 184 (%69.4)'ü erkek, 81 (%30.6)'i kadındı. Hastaların ortalama yaşı 73 +/- 10 idi. Amfizem olarak segmentlere ayrılan test grubunda duyarlılık, kesinlik, F1 skoru, eğri altındaki alan (AUC) ve doğruluk değerleri sırasıyla 0.81, 0.90, 0.85, 0.86 ve 0.75 olarak hesaplandı. Traksiyon bronşektazi olarak segmentlere ayrılan test grubunda duyarlılık, kesinlik, F1 skoru, AUC ve doğruluk değerleri sırasıyla 0.95, 0.76, 0.85, 0.80 ve 0.75 olarak bulundu. Bal peteği kistleri olarak segmentlere ayrılan test grubunda duyarlılık, kesinlik, F1 skoru, AUC ve doğruluk değerleri sırasıyla 0.96, 0.92, 0.94, 0.88 ve 0.90 olarak hesaplandı. Sonuç: Bu çalışmada, interstisyel akciğer hastalıklarının (ILD) sınıflandırılmasına yardımcı olacak parametrelerden biri olan MinIP görüntülerinde bal peteği kistleri doğru bir şekilde segmente etmek için derin öğrenme teknolojisi olan U-Net mimarisini başarıyla kullandık. Çalışmamızın, ILD'lerin sınıflandırılmasına ilişkin gelecekteki çalışmalara rehberlik edeceğini öngörüyoruz.
