Postmenopozal Kadınlarda Osteoporozun Mandibular KIBT Görüntüleriyle Değerlendirilmesi: Radyomik Tabanlı Makine Öğrenmesi Çalışması
NEÜ 4. Uluslararası Diş Hekimliği Kongresi, Konya, Türkiye, 1 - 04 Ekim 2026, ss.121-123, (Özet Bildiri)
- Yayın Türü: Bildiri / Özet Bildiri
- Basıldığı Şehir: Konya
- Basıldığı Ülke: Türkiye
- Sayfa Sayıları: ss.121-123
- Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu
- Çukurova Üniversitesi Adresli: Evet
Özet
Postmenopozal Kadınlarda Osteoporozun Mandibular Kıbt Görüntüleriyle Değerlendirilmesi: Radyomik Tabanlı Makine Öğrenmesi Çalışması Fatma Aybike SEVİM1 , Hazal DUYAN YÜKSEL1 , Beyzanur BÜYÜK1 , Damla SOYDAN ÇABUK1 , Burcu EVLİCE1 , Kaan ORHAN2 1 Çukurova Üniversitesi Diş Hekimliği Fakültesi 2 Ankara Üniversitesi Diş Hekimliği Fakültesi Sorumlu Yazar E-posta / Corresponding Author E-mail: dtaybikeevin@gmail.com Postmenopozal Kadınlarda Osteoporozun Mandibular KIBT Görüntüleriyle Değerlendirilmesi: Radyomik Tabanlı Makine Öğrenmesi Çalışması Amaç: Bu çalışmada, konik ışınlı bilgisayarlı tomografi (KIBT) görüntülerinde tüm mandibuladan elde edilen radyomik özelliklerin, dual-enerji X-ışını absorbsiyometrisi (DEXA) ile belirlenen kemik mineral yoğunluğu gruplarını ayırt etmedeki performansının makine öğrenmesi yöntemleriyle değerlendirilmesi amaçlanmıştır. Yöntem: Tüm mandibula, 3D Slicer yazılımında üç boyutlu olarak segmente edilmiştir. Görüntüler 1 × 1 × 1 mm³ izotropik voksel boyutuna yeniden örneklendirilmiş ve gri seviye ayrıklaştırmasında 25 sabit bin genişliği kullanılmıştır. Orijinal, Laplacian of Gaussian ve Wavelet filtreli görüntülerden toplam 1316 radyomik özellik çıkarılmıştır. Özellik seçimi VarianceThreshold, SelectKBest ve LASSO yöntemleriyle gerçekleştirilmiştir. Dokuz makine öğrenmesi algoritmasının performansı stratifiye beş katlı çapraz doğrulama ile değerlendirilmiştir. Üç sınıflı analizde One-vs-Rest ROC yaklaşımı kullanılmıştır. Ayrıca osteopeni ve osteoporozun ikili ayrımı için LASSO ile seçilen özelliklerden bir radyomik skor (RADscore) oluşturulmuş; RADscore ile yaş değişkeninin birleştirilmesiyle geliştirilen nomogramın ayırt ediciliği, kalibrasyonu ve klinik yararı değerlendirilmiştir. Bulgular: Model, normal grubu osteopeni ve osteoporoz gruplarına kıyasla daha başarılı şekilde sınıflandırmıştır. İkili analizlerde en yüksek performans normal ve osteoporoz gruplarının ayrımında gözlemlenmiştir. Sınıflandırmaya en fazla katkı sağlayan değişkenlerin ağırlıklı olarak LoG ve Wavelet filtrelerinden elde edilen enerji ve tekstür özellikleri olduğu belirlenmiştir. Sonuç: Tüm mandibuladan elde edilen KIBT tabanlı radyomik özellikler, DEXA ile belirlenen kemik mineral yoğunluğu gruplarının ayrımında umut verici performans göstermiştir. Yöntem özellikle normal bireylerle kemik kaybı bulunan bireylerin ayrımında başarılıdır; osteopeni ve osteoporoz ayrımı ise daha güçtür. Bu yaklaşım DEXA’nın alternatifi olarak değil, rutin dental KIBT görüntülerinden osteoporoz riski taşıyan bireylerin fırsatçı olarak belirlenmesine yardımcı olabilecek bir yöntem olarak değerlendirilmelidir. Anahtar kelimeler: Konik ışınlı bilgisayarlı tomografi, mandibula, osteoporoz, radyomik, makine öğrenmesi, DEXA Anahtar Kelimeler: Konik Işınlı Bilgisayarlı Tomografi, Mandibula, Osteoporoz, Radyomik, Makine Öğrenmesi, DEXA
Assessment of Osteoporosis in Postmenopausal Women Using Mandibular CBCT Images: a Radiomic-based Machine Learning Study Objective: This study evaluates the performance of machine learning methods using radiomic features extracted from the entire mandible on cone-beam computed tomography (CBCT) images in distinguishing bone mineral density groups determined by dual-energy X-ray absorptiometry (DXA). Results: The model classified the normal group more successfully than the osteopenia and osteoporosis groups. In the binary analyses, the highest performance was observed in distinguishing the normal group from the osteoporosis group. The features contributing most strongly to classification were predominantly energy and texture features derived from Laplacian of Gaussian and wavelet-filtered images. Conclusion: Radiomic features extracted from the entire mandible on CBCT images show promising performance in distinguishing DXA-defined bone mineral density groups. The method is particularly successful in differentiating individuals with normal bone mineral density from those with bone loss, whereas distinguishing osteopenia from osteoporosis is more challenging. This approach should not be considered an alternative to DXA but rather a potential tool for the opportunistic identification of individuals at risk of osteoporosis using routinely acquired dental CBCT images. Keywords: cone-beam computed tomography, mandible, osteoporosis, radiomics, machine learning, dual-energy X-ray absorptiometry Keywords: Cone-Beam Computed Tomography, Mandible, Osteoporosis, Radiomics, Machine Learning, DEXA