Panoramik dental rentgenoqrafiyalar tək bir görüntüdə üst və alt çənəni, dişləri və ətraf anatomik strukturları geniş ölçüdə göstərə bildiyi üçün ortodontik planlama, implant qiymətləndirməsi və dental skrininq proseslərində geniş istifadə olunur. Lakin bu görüntülərdə diş kökü ilə alveol sümüyü, periodontal ligament aralığı və qonşu dişlər arasındakı sərhədlər çox vaxt aşağı kontrastlıdır. Metal restavrasiyalar, hava yolu kölgələri, geometrik üst-üstə düşmələr və görüntüləmə artefaktları da avtomatik sərhəd müəyyənləşdirməni çətinləşdirir.

Bu tədqiqatda araşdırmaçılar panoramik rentgenoqrafiyalarda dişlərin xarici sərhədlərini daha həssas müəyyənləşdirmək üçün EGA-SAM2-UNet adını verdikləri süni intellekt arxitekturası hazırlamışdır. Sistem ümumi görüntülər üzərində əvvəlcədən öyrədilmiş SAM 2 baza modelini panoramik rentgenoqrafiyaların özünəməxsus boz ton və tekstura paylanmasına uyğunlaşdırır.

Modelin əsas yeniliyi Edge-Guided Attention, yəni Kənar Bələdçili Diqqət moduludur. Əvvəlki metodların çoxunda kənar məlumatı modelə sonradan əlavə edilən köməkçi xüsusiyyət və ya ayrıca sərhəd itkisi kimi istifadə edilmişdir. Bu tədqiqatda isə Laplasyen kənar operatoru ilə əldə edilən struktur məlumatı kanal və məkan diqqət ağırlıqlarının hesablanmasının birbaşa içinə yerləşdirilmişdir. Beləliklə model yalnız “diş haradadır?” sualına deyil, “diş ilə ətraf sümük tam olaraq harada ayrılır?” sualına da fokuslanmağa məcbur edilir.

SAM 2 kodlayıcısının bütün parametrlərini yenidən öyrətmək əvəzinə Aşağı Dərəcəli Uyarlama, yəni LoRA istifadə edilmişdir. Bu metodla model parametrlərinin %99,5-dən çoxu dondurulmuş, yalnız təxminən %0,43–0,47-lik kiçik bir bölümü öyrədilmişdir. Çoxölçəkli RFB blokları fərqli böyüklükdəki anatomik örüntüləri toplayarkən, yuxarıdan aşağı çarpaz diqqət mexanizmi yüksək səviyyəli diş məlumatını aşağı səviyyəli tekstura ayrıntıları ilə birləşdirmişdir.

Model MICCAI STS 2024 və DENTEX adlı iki açıq panoramik rentgenoqrafiya verilənlər dəsti üzərində qiymətləndirilmişdir. MICCAI STS 2024 doğrulama dəstində EGA-SAM2-UNet üçün Dice oxşarlıq əmsalı %93,9, kəsişmə-birləşmə nisbəti %88,5, orta simmetrik sərhəd məsafəsi 0,18 mm və HD95 sərhəd xətası 0,79 mm kimi bildirilmişdir.

MedSAM modelinin HD95 dəyəri 1,02 mm ikən təklif edilən metodda bu dəyərin 0,79 mm-ə düşməsi, araşdırmaçılar tərəfindən sərhəd yerləşdirməsində nisbi %22,6 yaxşılaşma kimi şərh edilmişdir. Bu nisbət Dice uğurunda 22,6 ballıq artım demək deyil; 95-ci persentil sərhəd məsafəsində nisbi azalmayı ifadə edir.

Model MICCAI STS 2024 üzərində öyrədilib heç bir əlavə DENTEX uyğunlaşdırması aparılmadan DENTEX doğrulama dəstində sınandıqda Dice %91,2 və HD95 0,95 mm olaraq qorunmuşdur. Nəticələr fərqli görüntüləmə cihazları və mərkəzlər arasında müəyyən dərəcədə ötürülə bilmə olduğunu göstərir. Bununla belə verilənlər sahəsi dəyişdikdə Dice 2,7 faiz bəndi azalmış və HD95 0,16 mm yüksəlmişdir.

Ablasiya deneyləri performans artımının tək bir komponentdən gəlmədiyini göstərmişdir. LoRA uyğunlaşdırması, çoxölçəkli RFB blokları, çarpaz diqqət, EGA və yarı nəzarətli öyrənmə ardıcıl əlavə edildikcə Dice %89,7-dən %93,9-a yüksəlmiş; HD95 1,49 mm-dən 0,79 mm-ə düşmüşdür. Ən müəyyən tək modul töhfələrindən biri kənar məlumatının diqqət hesablamasına əlavə edilməsi ilə sərhəd xətasında əldə edilmişdir.

Tədqiqat klinik baxımdan ümidverici görüntü segmentasiyası metodu təqdim edir; lakin diaqnoz sistemi deyil. Çürük, periapikal lezyon, periodontal sümük itkisi və ya implant uyğunluğu diaqnozu qoymur. Nəticələr açıq verilənlər dəstləri üzərindəki hesablama deneylərinə əsaslanır. İnsan mütəxəssislər arasındakı sərhəd çəkmə fərqi ilə birbaşa müqayisə aparılmamış, real klinik qərarları və ya xəstə nəticələrini yaxşılaşdırdığı göstərilməmişdir.

Ətraflı İzah

Tədqiqatnın əsas problemi nədir?

Bir görüntü segmentasyon sistemi, görüntüdəlavəi her pikselin hansı yapıya ait olduğunu belirlemeye çalışır. Diş segmentasiyasında amaç, her dişi çevresindəlavəi alveol kemiğinden, yumuşak doku gölgelerinden və komşu dişlerden ayıran doğru bir maske oluşturmaktır.

Panoramik radyografilerde bu işlem birkaç səbəblə güçtür:

• Diş kökü ilə alveol kemiğinin radyografik yoğunlukları birbirine yaklaşabilir.
• Periodontal ligament aralığı çox ince və aşağı kontrastlı ola bilər.
• Komşu dişler özellikle çapraşıklıkta üst üste binebilir.
• Kök uçlarının sərhədları çevredəlavəi kemik dokusu içində silikleşebilir.
• Metal dolgu, kron və kanal tedavileri yüksək yoğunluklu artefaktlar oluşturabilir.
• Maksiller hava yolu və diğer anatomik gölgeler dişlere benzeyen yanlış kenarlar meydana getirebilir.
• Panoramik görüntüleme, üç ölçülu anatomiyi iki ölçülu düzleme yansıttığı üçün büyütme və geometrik bozulma içerir.

Bir model dişin ümumi sahəını doğru bulduğu hâlde sərhədını birkaç piksel dışarı taşırabilir. Bu durum özellikle iki komşu dişin təlavə bir bütün gibi birleşmesine, kök sərhədının kemiğe taşmasına və ya diş yüzeyinin bir bölümünün kaybolmasına niyə ola bilər.

Bu səbəblə yüksək Dice dəyəri təlavə başına yeterli deyil. Diş sahəının böyük kısmı doğru sınıflandırılmış olsa bile klinik açıdan vacib sərhəd bölgelerinde səhv bulunabilir. Tədqiqat bu səbəblə hem bölgesel örtüşmeyi hem də sərhəd uzaklığını ölçen metrikler kullanmıştır.

Manuel segmentasyon niyə yeterli görülmüyor?

Panoramik radyografide bütün dişlerin elle sərhədlandırılması zaman alıcıdır. Aynı uzman fərqli zamanlarda eyni görüntüyü biraz fərqli çizebilir; iki uzman arasında də sərhəd üstünlüki değişebilir. Büyük görüntü veri tabanlarında her dişi təlavə təlavə işaretleməlavə klinik iş yükünü artırır.

Otomatik segmentasyon bu işlemler üçün əsas bir ön adım ola bilər:

• Dişlerin otomatik numarsahədırılması,
• Diş əlavəsikliklerinin belirlenmesi,
• Ortodontik ark və diş konumu analizi,
• Kök çevresindəlavəi anatomik mesafelerin hesaplanması,
• İmplant planlama yazılımlarında diş bölgelerinin ayrıştırılması,
• Dental görüntülerin süni intelləlavət ilə taranması,
• Patoloji analizinden əvvəl normal anatomik yapıların ayrılması.

Bununla birlikdə otomatik segmentasyonun güvenilir olabilmesi üçün yalnız dişin ümumi konumunu değil, servikal bölgeyi, kök ucunu və komşu dişler arasındaki ince sərhədları də doğru belirlemesi gerəlavəir.

Literatürdəlavəi əsas boşluk nədir?

Tədqiqatya görə öncəlavəi sistemler kənar məlumatıni ümumilikle iki şəlavəilde kullanmıştır:

1. Modelin tahmini ilə gerçəlavə sərhəd arasındaki farkı cezsahədıran yardımcı bir sərhəd itkisi əlavəleməlavə,
2. Sobel, Canny və ya Laplasyen ilə çıkarılan kenar haritasını giriş görüntüsüne ya də ara xüsusiyyətləre əlavə kanal kimi birleştirməlavə.

Bu yaklaşımlarda kənar məlumatı diqqət məlavəanizmasının dışında kalmaktadır. Model əvvəl öz diqqət ağırlıklarını hesaplamakta, kənar məlumatı ise yalnız girişe əlavə özellik və ya çıkışı denetleyen ceza kimi istifadə olunur.

EGA-SAM2-UNet’in önerdiği değişiklik, kənar məlumatıni birbaşa diqqət ağırlıklarının hesaplanmasına sokmaktır. Böylece kenar haritası yalnız modele verilen başka bir veri deyil; hansı özellik kanalının və hansı görüntü konumunun vacib olduğuna karar veren məlavəanizmanın bir parçası hâline gelməlavətedir.

SAM 2 niyə birbaşa kullanılamadı?

SAM 2, geniş və ümumi görüntü koləlavəsiyonlarından öğrenilmiş bir görsel əsas modeldir. Doğal fotoğraflardaki insanlar, araçlar və ya nesneler ilə panoramik dental rentgenoqrafiyalar eyni doku və kontrast xüsusiyyətlərine malik deyil.

Panoramik görüntülerde:

• Renk məlumatsi bulunmaz,
• Gri ton farklılıkları çox küçüktür,
• Anatomik yapılar üst üste biner,
• Diş ilə kemik sərhədı doğal fotoğraflardaki nesne sərhədından daha belirsizdir,
• Artefaktlar gerçəlavə anatomik kenarlar gibi görünebilir.

Bu sahə farkı niyəiyle SAM’ın sıfırdan uyarlama yapılmadan istifadə edilən sürümü tədqiqatda %83,6 Dice və 1,87 mm HD95 ilə sərhədlı kalmıştır. Bu nəticə, güclü bir ümumi görüntü modelinin tibbi görüntülerde birbaşa güvenilir nəticə vermeyebileceğini göstərir.

LoRA ilə parametre verimli uyarlama

SAM 2’nin bütün ağırlıklarını yeniden eğitməlavə yüksək belləlavə, hesaplama və veri tələb edir. Araşdırmaçılar bunun yerinə LoRA kullanmıştır.

Tədqiqatda əvvəlcədən eğitilmiş ağırlık matrisi \(W_0\) üçün güncelleme bu aşağı dereceli çarpımla sərhədlandırılmıştır:

\[ \Delta W=BA \]

İleri geçiş denklemi şöyledir:

\[ h=W_0x+\Delta Wx=W_0x+BAx \]

Burada:

• \(W_0\), SAM 2’den gelen və böyük dərəcədə dondurulan əvvəlcədən eğitilmiş ağırlık matrisidir.
• \(x\), katmana verilen giriş özelliğidir.
• \(\Delta W\), dental radyografi sahəına uyum sağlamak üçün öğrenilen küçük güncellemedir.
• \(A\) və \(B\), aşağı dereceli eğitilebilir matrislerdir.
• \(r\), aşağı dereceyi gösterir və ana matris ölçülarından çox daha küçüktür.
• \(h\), uyğunlaşdırılmış katmanın çıktısıdır.

Gündelik bir benzetmeyle modelin bütün məlumatsini yeniden yazmak yerinə, panoramik rentgenoqrafiyalar üçün küçük bir “düzeltme əlavəi” öğrenilməlavətedir. Böylece ümumi görsel məlumat korunurken diş dokularının yoğunluk örüntülerine uyum sağlanmaktadır.

Deneylerde LoRA derecesi \(r=16\), ölçəlavə katsayı \(\alpha=32\) kimi belirlenmiş və Transformer bloklarındaki sorgu, anahtar və dəyər izdüşümlerine uygulanmıştır.

LoRA parametreleri təxminən 0,42 milyon kimi bildirilmiştir. Bu, modelin toplam parametrelerinin təxminən %0,43’üne qarşılıq gelməlavətedir. Metnin fərqli bölümlerinde təxminən %0,47 dəyəri də istifadə olunur; iki nisbət də modelin çox küçük bir bölümünün eğitildiğini ifadə edir.

Çoxölçəkli RFB blokları ne yapıyor?

Diş sərhədları təlavə bir ölçü ölçeğinde deyil. Ön dişlerin ince kökleri, azı dişlerinin çox köklü anatomisi, geniş kronlar və çox ince periodontal aralıqlar fərqli görsel ölçəlavəlerde məlumat tələb edir.

RFB, yani Receptive Field Block, fərqli genişletme nisbətlarına malik paralel evrişimler kullanmaktadır. Tədqiqatda genişletme nisbətları:

\[ r=\{1,3,5\} \]

kimi verilmiştir.

Küçük alıcı sahəlar ince yerel ayrıntıları, daha geniş alıcı sahəlar ise dişin ümumi formasını və çevresel bağlamı yakalamaya yardımcı olur. Böylece model yalnız təlavə bir piksel çevresine değil, fərqli büyüklükte anatomik bölgelere bakabilir.

Yukarıdan aşağı çarpaz diqqət niyə kullanıldı?

Kodlayıcının erkən katmanları ince doku və kənar məlumatı taşırken derin katmanları “bu yapı bir diştir” gibi daha yüksək düzeyli anlamsal məlumat taşır. Erken xüsusiyyətlər ayrıntılıdır fakat artefaktlardan etkilenebilir; derin xüsusiyyətlər əhəmiyyətlidır fakat uzamsal ayrıntıları daha kabadır.

Tədqiqatda üst dəlavəoder katmanından gelen xüsusiyyətlər sorgu, kodlayıcıdan gelen atlama bağlantısı xüsusiyyətləri ise anahtar və dəyər kimi istifadə edilmişdir:

\[ F_{\mathrm{fused}}= \operatorname{Attention} \left( Q=F_{\mathrm{up}}, K=F_{\mathrm{enc}}, V=F_{\mathrm{enc}} \right) \]

Burada:

• \(F_{\mathrm{up}}\), öncəlavəi dəlavəoder katmanından büyütülerəlavə gelen yüksək düzeyli özelliktir.
• \(F_{\mathrm{enc}}\), kodlayıcının qarşılıq gelen seviyesindəlavəi ayrıntılı özelliktir.
• \(Q\), sorguyu; \(K\), anahtarı; \(V\), dəyəri temsil edir.
• \(F_{\mathrm{fused}}\), anlamsal məlumatyle süzülmüş birleşik özelliktir.

Amaç, EGA modülüne ulaşmadan əvvəl dişle ilgisiz gölge və artefaktların bir bölümünü eleməlavə, aşağı seviyeli ayrıntıları yüksək seviyeli diş məlumatsiyle kalibre etməlavətir.

Laplasyen operatörü niyə seçildi?

Laplasyen, görüntü yoğunluğundaki ikinci dereceden değişimleri inceleyen bir kenar operatörüdür. Tədqiqatnın belirttiği əsas avantajı izotropik olmasıdır. Bu, kenarın yönü değişse bile benzer şəkildə cavab verebilmesi anlamına gelir.

Diş sərhədları təlavə yönde deyil:

• Komşu dişlerin arasında daha çox düşey,
• Mine-sement birleşimi çevresinde daha çox yatay,
• Kök uçlarında eğik və kavisli sərhədlar bulunabilir.

Sobel gibi birinci dereceden operatörler belirli yönlere daha duyarlıdır və bütün yönleri yakalayabilməlavə üçün fərqli çəlavəirdəlavəler tələb edir. Laplasyen ise bütün yönlerdəlavəi yoğunluk değişimlerine reaksiya verebilir.

Tədqiqatda frəlavəans sahəındaki Laplasyen davranışı bu şəlavəilde verilmiştir:

\[ H(u,v)=-(u^2+v^2) \]

Burada:

• \(u\) və \(v\), görüntünün iki uzamsal frəlavəans yönünü,
• \(H(u,v)\), Laplasyen filtrenin frəlavəans yanıtını temsil edir.

Frəlavəans büyüdükçe \((u^2+v^2)\) terimi artmaktadır. Bu səbəblə Laplasyen, hızlı yoğunluk geçişlerini yani kenarları güçlendiren yüksək geçiren bir filtre gibi davranır. Geniş və homojen dentin və ya pulpa bölgeleri daha aşağı frəlavəanslıyken diş-kemik geçişi gibi sərhədlar daha yüksək frəlavəanslı bileşenler içerir.

Kənar məlumatı hansı görüntüye uygulanıyor?

EGA modülü, Laplasyen operatörünü birbaşa ham panoramik görüntüye uygulamakla sərhədlı deyil. Operatör, ağın ara özellik haritasına kanal bazında uygulanmaktadır.

Tədqiqatda kenar tanımlayıcısı bu denklemle oluşturulmuştur:

\[ E= \operatorname{ReLU} \left( \mathcal{B} \left( \operatorname{Conv}_{dw}(F,K_{\mathrm{Lap}}) \right) \right) \]

Burada:

• \(F\in\mathbb{R}^{C\times H\times W}\), ara özellik haritasıdır.
• \(C\), kanal sayını; \(H\) və \(W\), uzamsal ölçüları gösterir.
• \(K_{\mathrm{Lap}}\), sabit 3×3 Laplasyen çəlavəirdeğidir.
• \(\operatorname{Conv}_{dw}\), her özellik kanalını ayrı işleyen derinlik yönlü evrişimdir.
• \(\mathcal{B}\), Batch Normalization işlemini ifadə edir.
• ReLU, negatif dəyərləri bastıran aktivasyon fonksiyonudur.
• \(E\), diqqət hesaplamasında kullanılacak yapısal kenar tanımlayıcısıdır.

Örnəlavə Laplasyen çəlavəirdeği şöyledir:

\[ K_{\mathrm{Lap}}= \begin{bmatrix} 0 & 1 & 0\\ 1 & -4 & 1\\ 0 & 1 & 0 \end{bmatrix} \]

Bu sabit çəlavəirdəlavə ağ tərəfindən yeniden öğrenilmez. Araşdırmaçıların gerəlavəçesine görə sərhəd pikselleri toplam görüntünün %5’inden az olduğu üçün tamamen öğrenilebilir bir kenar filtresinde sərhəd gradyanları arka plan piksellerinin baskınlığı altında kaybola bilər. Sabit Laplasyen çəlavəirdeği, öyrətmə prosesindən bağımsız bir kenar dayanağı sağlamaktadır.

Kanal dikkati necə hesaplanıyor?

Kanal dikkati, “hansı özellik haritaları sərhəd baxımından daha vacibdir?” sorusuna cavab verir. Kenar haritası əvvəl küresel ortalama havuzlama ilə her kanal üçün özetlenir, ardından çox katmanlı algılayıcıdan geçirilir:

\[ M_c(E)= \sigma \left( \operatorname{MLP} \left( \operatorname{GAP}(E) \right) \right) \]

Burada:

• \(\operatorname{GAP}\), küresel ortalama havuzlamadır.
• MLP, çox katmanlı algılayıcıdır.
• \(\sigma\), dəyərləri 0–1 aralığına taşıyan sigmoid fonksiyonudur.
• \(M_c(E)\), her özellik kanalının önem ağırlığıdır.

Uzamsal diqqət necə hesaplanıyor?

Uzamsal diqqət ise “görüntünün hansı konumlarına daha fazla odaklanılmalıdır?” sorusuna cavab verir. Kenar haritası 7×7 evrişim və sigmoid fonksiyonundan geçirilir:

\[ M_s(E)= \sigma \left( \operatorname{Conv}_{7\times7}(E) \right) \]

Burada \(M_s(E)\), görüntü yüksəkliği və genişliği boyunca her konuma verilen uzamsal diqqət ağırlığıdır.

Kanal dikkati hansı özellik türlerinin vacib olduğunu, uzamsal diqqət ise sərhədların görüntüde nerede bulunduğunu belirlemeye çalışır.

EGA modülünün nihai birleşimi

Kanal və uzamsal diqqət paralel şəkildə orijinal özellik haritasına uygulanmış və artık bağlantısıyla birleştirilmiştir:

\[ F_{\mathrm{EGA}} = F+ \left(F\otimes M_c(E)\right) + \left(F\otimes M_s(E)\right) \]

Burada:

• \(F\), EGA modülüne giren ana özellik haritasıdır.
• \(\otimes\), eleman bazında çarpımı ifadə edir.
• \(F\otimes M_c(E)\), kanal baxımından yeniden ağırlıklandırılmış xüsusiyyətləri,
• \(F\otimes M_s(E)\), uzamsal kimi yeniden ağırlıklandırılmış xüsusiyyətləri,
• \(F_{\mathrm{EGA}}\), kenar həssaslığı artırılmış nihai çıktıyı gösterir.

Orijinal \(F\) özelliğinin nəticəta korunması artık bağlantısıdır. Bu bağlantı, kenar modülünün mövcud anlamsal məlumatyi tamamen değiştirmesini önler və yalnız sərhədla ilgili xüsusiyyətləri güçlendirmesini sağlar.

Şəlavəil 1 mimarinin hansı akışını gösteriyor?

Tədqiqatnın mimari şemasında panoramik radyografi əvvəl LoRA adaptörleri əlavəlenmiş SAM 2 kodlayıcısından geçməlavətedir. Kodlayıcının dörd fərqli seviyesinden özellik haritaları çıkarılmaktadır.

Her seviyede:

1. RFB blokları fərqli ölçəlavəlerde bağlam toplamaktadır.
2. Üst seviyeden gelen məlumat çarpaz diqqət yolu ilə alt seviyeyi kalibre edir.
3. EGA modülü Laplasyen kenar öncülünü kanal və uzamsal dikkate aktarmaktadır.
4. Kod çözücü blokları görüntünün çözünürlüğünü kademeli şəkildə yeniden yükseltməlavətedir.
5. Son aşamada bütün dişleri gösteren segmentasyon maskesi üretilməlavətedir.

Şema, modelin yalnız en derin SAM 2 özelliğini kullanmadığını; yüksək çözünürlüklü yüzey ayrıntıları ilə aşağı çözünürlüklü anlamsal məlumatyi hiyerarşik kimi birleştirdiğini göstərir.

Şəlavəil 2 EGA modülünü necə açıqlıyor?

EGA tədqiqat şemasında ara özellik əvvəl Laplasyen çəlavəirdəlavə evrişimi, Batch Normalization və ReLU’dan geçirilerəlavə \(E\) kenar haritasına dönüştürülməlavətedir.

Bu harita daha sonra iki paralel kola ayrılmaktadır:

• Kanal kolunda GAP, MLP və sigmoid,
• Uzamsal kolda 7×7 evrişim və sigmoid uygulanmaktadır.

İki kolun ürettiği diqqət ağırlıkları orijinal özellikle çarpılmakta və artık birleştirme modülünde ana özellikle toplanmaktadır. Bu görsel, kenarın ayrı bir yan ağ kimi tutulmadığını; birbaşa diqqət ağırlıklarını üreten çəlavəirdəlavə məlumat olduğunu açıqça göstərir.

Kayıp fonksiyonu necə düzenlendi?

Model, Dice itkisi ilə ikili çapraz entropi itkisinın ağırlıklı toplamıyla eğitilmiştir:

\[ \mathcal{L} = \lambda_{\mathrm{Dice}}\mathcal{L}_{\mathrm{Dice}} + \lambda_{\mathrm{BCE}}\mathcal{L}_{\mathrm{BCE}} \]

Tədqiqatda:

\[ \lambda_{\mathrm{Dice}}=0.7, \qquad \lambda_{\mathrm{BCE}}=0.3 \]

kimi istifadə edilmişdir.

Dice itkisi bu şəkildə verilmiştir:

\[ \mathcal{L}_{\mathrm{Dice}} = 1- \frac{ 2\sum_i y_ip_i+\epsilon }{ \sum_i y_i+\sum_i p_i+\epsilon } \]

Burada:

• \(y_i\), \(i\). pikselin gerçəlavə sınıfını,
• \(p_i\), modelin eyni piksel üçün ürettiği diş olasılığını,
• \(\epsilon\), sıfıra bölünmeyi önleyen küçük düzeltme terimini ifadə edir.

Dice itkisi, diş pikselleri ilə çox daha geniş arka plan arasında oluşan sınıf dengesizliğine karşı bölgesel örtüşmeyi destəlavəleməlavətedir.

İkili çapraz entropi itkisi şöyledir:

\[ \mathcal{L}_{\mathrm{BCE}} = -\frac{1}{N} \sum_i \left[ y_i\log(p_i) + (1-y_i)\log(1-p_i) \right] \]

Burada \(N\), değerlendirilen toplam piksel sayıdır. BCE her pikselin diş və ya arka plan kimi doğru sınıflandırılmasını teşvik edir.

Verilen formüllerde ayrı bir kenar itkisi mövcud deyil. Tədqiqatnın vacib tasarım iddialarından biri də budur: sərhəd həssaslığı əlavə bir kenar itkisindan değil, EGA modülünün diqqət hesaplamasından sağlanmaktadır.

Yarı denetimli öyrənmə niyə kullanıldı?

MICCAI STS 2024 verilənlər dəstinde yalnız 30 öyrətmə görüntüsünün ayrıntılı etiketi bulunurken 2.350 görüntü etiketsizdir. Araşdırmaçılar bu böyük etiketsiz kısmı tamamen dışlamak yerinə müəllim-tələbə düzeninde yarı nəzarətli öyrənmə kullanmıştır.

Etiketli görüntülerde gerçəlavə segmentasyon maskeleriyle Dice və BCE itkisi hesaplanmıştır. Etiketsiz görüntülerde ise üstel harəlavəetli ortalamayla güncellenen müəllim model saxta etiketler üretmiş, tələbə modelin bu nəticələrla tutarlı tahmin oluşturması amaçlanmıştır.

Her GPU’daki səlavəiz görüntülük mini grupta:

• 1 etiketli görüntü,
• 7 etiketsiz görüntü

istifadə edilmişdir. Dörd GPU ilə etkili mini grup büyüklüğü 32 olmuştur.

Bu yaklaşım etiketleme maliyetini azaltabilməlavətedir; lakin müəllim modelin hatalı saxta etiketleri özellikle metal restorasyonlu və ya ciddi çapraşıklık olan görüntülerde tələbə modele aktarılabilir. Tədqiqat də saxta etiketlerin bağımsız uzman kontrolünden geçirilmediğini sərhədlılık kimi kabul edir.

MICCAI STS 2024 verilənlər dəsti

Görüntü çözünürlükleri 1932×1050 ilə 2560×1440 piksel arasında değişməlavətedir. Ana müqayisə tablosundaki nəticələr, 20 görüntülük doğrulama dəstinin beş bağımsız öyrətmə tədqiqatsında değerlendirilmesine dayanmaktadır. PDF’də 100 görüntülük gizli test kümesine ait ayrı bir performans tablosu sunulmamıştır.

DENTEX verilənlər dəsti

DENTEX, üç fərqli klinik kurumdan elde edilen 1.005 panoramik radyografiyi içerməlavətedir. Görüntüler fərqli cihazlar və çəlavəim protokollerinden geldiği üçün gerçəlavə klinik çeşitliliğe daha yakın bir sahə değişimi sunmaktadır.

Etiketler bir yıllık deneyime malik diş həlavəimliği tələbəsi tərəfindən hazırlanmış, 15 yıldan fazla klinik deneyimi olan diş həlavəimi tərəfindən kontrol edilip düzeltilmiştir.

Tədqiqat DENTEX’in diş numarsahədırma alt kümesindəlavəi piksel düzeyli diş segmentasyon etiketlerini kullanmıştır. Çürük, derin çürük, periapikal lezyon və gömülü diş gibi diaqnoz etiketleri bu tədqiqatnın ana hedefi olmamıştır.

Görüntü ön işleme

Bütün görüntülere standartlaştırılmış ön işleme uygulanmıştır:

1. Piksel yoğunlukları min–maks ölçəlavəleme ilə 0–1 aralığına getirilmiştir.
2. Görüntüler bikübik enterpolasyonla 1024×1024 piksele yeniden ölçülandırılmıştır.
3. Rastgele yatay çevirme uygulanmıştır.
4. ±15 derece rastgele döndürme yapılmıştır.
5. Parlaklık və kontrast ±%10 değiştirilmiştir.

Bu işlemler modelin fərqli çəlavəim koşullarına karşı daha dayanıklı olmasını amaçlamaktadır. Lakin yeniden ölçülandırma çox ince anatomik sərhədların piksel temsilini değiştirebilir. Ayrıca tədqiqat, yeniden ölçülandırılmış görüntülerde piksel uzaklıklarının milimetreye necə dönüştürüldüğünü ayrıntılı şəkildə açıqlamamaktadır.

Eğitim protokolu

Performans ölçütleri ne anlama geliyor?

Dice benzerlik katsayı

Tahmin edilen diş maskesi ilə uzman etiketinin ne dərəcədə örtüştüğünü gösterir. %100’e yaklaştıkça örtüşme artar. Lakin geniş diş iç sahəlarının doğru bulunması, ince sərhəd hatalarının etkisini görəce azaltabilir.

IoU

Tahmin ilə gerçəlavə maskenin kesişiminin birleşimlerine nisbətıdır. Dice gibi bölgesel dəqiqliyi ölçer, lakin matematiksel ölçeği daha katıdır.

ASD

Tahmin edilen və gerçəlavə sərhədlar arasındaki çift yönlü ortalama mesafeyi ölçer. Aşağı dəyər daha iyidir.

HD95

İki sərhəd arasındaki mesafelerin 95. yüzdeliğini ölçer. En kötü %5’lik uç dəyərləri dışarıda bırakarak sərhədın böyük bölümündəlavəi kötü durum hatasını temsil edir.

HD95 = 0,79 mm, bütün sərhəd noktalarının azami hatasının 0,79 mm olduğu mənasına gəlmir. Sərhəd uzaklıklarının %95’inin bu değerin altında kaldığını ifadə eden dayanıklı bir ölçüttür; ksahə %5 içində daha böyük hatalar bulunabilir.

İstatistiksel qiymətləndirmə necə yapıldı?

Bütün deneylər fərqli rastgele başlanğıclarla beş kez təlavərarlanmıştır. Her metrik üçün ortalama və standart sapma bildirilmiştir.

Metodler arasındaki farklar:

• Görüntü düzeyinde Wilcoxon işaretli sıralar testi,
• Dörd metrik üçün Bonferroni düzeltmesi,
• Aile düzeyinde \(\alpha=0,05\),
• 1.000 yeniden örnəlavəlemeli bootstrap ilə %95 güven aralığı

kullanılarak qiymətləndirilmişdir.

Ana analizde 20 doğrulama görüntüsünün beş koşudaki değerleriyle en az \(n=100\) gözlem oluşturulmuştur. PDF, eyni görüntülerin fərqli koşulardaki təlavərarlarının asılılıq yapısının statistik modelde ayrıca ele alınıp alınmadığını ayrıntılandırmamaktadır.

Ana model müqayisəsi

Önerilen metod dörd metriğin tamamında karşılaştırılan modellerden daha iyi nəticə vermiştir. MedSAM, nnUNet, UNet++ və Swin-UNet ilə yapılan ikili müqayisəlardaki düzeltilmiş p dəyərləri 0,05’in altında bildirilmiştir.

%22,6 sərhəd iyileşmesi necə hesaplanıyor?

MedSAM üçün HD95 1,02 mm, önerilen model üçün 0,79 mm’dir. Göreli azalma:

\[ \frac{1.02-0.79}{1.02}\times100 \approx22.6\% \]

kimi hesaplanmaktadır.

Bu nisbət sərhəd hatasının görəli azalmasıdır. Modelin ümumi doğruluğunun %22,6 arttığı və ya klinik səhv riskinin %22,6 azaldığı mənasına gəlmir.

Kenar operatörlerinin karşılaştırılması

Laplasyen, ikinci en iyi Canny sonucuna görə HD95’i 0,88 mm’den 0,79 mm’ye düşürmüştür. Araşdırmaçılar bu təxminən %10,2 görəli azalmayı Laplasyenin yön bağımsız yapısı, sıfır geçişli sərhəd yerelleştirmesi və öyrətməden bağımsız sabit kenar dayanağıyla açıqlamaktadır.

Öğrenilebilir 3×3 evrişimin Laplasyenden daha aşağı performans göstermesi, az sayıdaki sərhəd pikselinin öyrətmə sırasında arka plan gradyanları altında kalabileceği görüşünü destəlavəleyen əlavəsperimental bir bulgu kimi yorumlanmıştır.

Modüller təlavə təlavə ne kadar katkı sağladı?

LoRA’nın əlavəlenmesi Dice değerini 2,1 puan artırmış və HD95’i 0,34 mm düşürmüştür. Bu, doğal görüntü sahəından radyografi sahəına uyarlamanın əsas önemini göstərir.

EGA, yalnız 30 etiketli görüntü kullanıldığında bile HD95’i 0,95 mm’den 0,86 mm’ye düşürmüştür. Etiketsiz görüntüler də əlavəlendiğinde dəyər 0,79 mm’ye inmiştir.

Kanal və uzamsal diqqət niyə paralel kullanıldı?

Uzamsal diqqət sərhədın görüntü üzerindəlavəi konumunu birbaşa hedeflediği üçün kanal dikkatinden daha böyük HD95 iyileşmesi sağlamıştır. Paralel istifadə, hansı özellik kanallarının vacib olduğu ilə sərhədın nerede bulunduğu sorularını eyni anda yanıtlamıştır.

Farklı verilənlər dəstine aktarım

Model DENTEX üçün yeniden eğitilmeden və ya sahə uyarlaması yapılmadan qiymətləndirilmişdir. Bu səbəblə nəticə, fərqli merkez və cihazlara aktarım baxımından vacibdir. Lakin Mann–Whitney U testi iki verilənlər dəstindəlavəi Dice dağılımları arasında əhəmiyyətli fərq bulunduğunu göstərmişdir:

\[ p=0.003 \]

Başka bir ifadəyle sahə değişimi performansı gerçəlavə və ölçülebilir şəkildə düşürmüştür; model bütün klinik merkezlerde eyni doğrulukta tədqiqatmaktadır.

Zor olgularda performans

Çox zor grup; şiddetli çapraşıklık, metal restorasyon artefaktları və endodontik tedavili dişler içerməlavətedir. Performans standart olgulara görə düşmüş, lakin tədqiqatda bildirilen HD95 0,95 mm düzeyinde kalmıştır.

Alt grup sayıları oldukça küçüktür. Özellikle çox zor grupta yalnız dörd görüntü bulunduğu üçün bu nəticələrin geniş klinik popülasyonlara ümumilenmesi diqqət tələb edir.

Diş türlerine görə nəticələr

En aşağı uğur çox köklü və daha karmaşık morfolojiye malik azı dişlerinde görülmüştür. Buna rağmen EGA’nın nnUNet’e karşı en böyük Dice farkı də molarlarda elde edilmişdir. Araşdırmaçılar bunu, karmaşık və birbirine temas eden kök-kron sərhədlarında açıq kənar məlumatınin daha fazla yarar sağlamasıyla açıqlamaktadır.

Şəlavəil 3 ne gösteriyor?

Görsel müqayisədə orijinal panoramik radyografi, EGA uygulanmadan öncəlavəi model yanıtı və EGA sonrasındaki cavab yan yana sunulmaktadır.

EGA öncesi görselleştirmede yüksək reaksiya sahəları dişlerin çevresine daha geniş və dağınık şəkildə yayılmaktadır. Özellikle komşu dişlerin temas ettiği bölgelerde xüsusiyyətlər birbirine karışmaktadır.

EGA sonrasında yanıtların diş konturlarında daha ince və belirgin şəkildə yoğunlaştığı görülməlavətedir. Müəlliflər bu değişimi, çapraşık və ya üst üste binen dişlerde “maske taşması” kimi tanımlanan bir dişe ait maskenin komşu dişe yayılmasının azalmasıyla ilişkilendirmiştir.

Bu görsel nitel destəlavə sağlamaktadır; təlavə başına ölçülmüş klinik doğruluk kanıtı deyil. Nicel nəticələr Dice, ASD və HD95 tablolarıyla qiymətləndirilmişdir.

Hesaplama maliyeti

EGA modülü təxminən 0,28 milyon əlavə parametre, 3,7 G FLOPs və görüntü başına təxminən 2 ms əlavə müddət getirmiştir. Toplam maliyete nisbətla bu artış təxminən %2 kimi yorumlanmıştır.

124 ms’lik müddət NVIDIA RTX 3090 üzerinde ölçülmüştür. Daha aşağı donanımlı klinik məlumatsayarlarda, merkezi işlemcide və ya fərqli yazılım yapılandırmalarında eyni hızın elde edileceği göstərilməmişdir.

Klinik açıdan 0,79 mm ne anlama gelebilir?

Müəlliflər, ortodontik və implant planlamasında təxminən 1 mm düzeyindəlavəi ölçüm doğruluğunun vacib olduğunu müdafiə edir. İmplant ilə komşu kök arasında 1,5–2,0 mm güvenlik mesafesi gerəlavətiğini və panoramik görüntülerde təxminən %10 geometrik büyütme hatası bulunabildiğini bildirir.

nnUNet’in 0,97 mm HD95 değerinden önerilen modelin 0,79 mm değerine geçilmesi, sərhəd belirsizliğinde 0,18 mm azalma anlamına gelməlavətedir. Araşdırmaçılar bunun dar anatomik sahəlarda əlavə güvenlik payı sağlayabileceğini öne sürməlavətedir.

Lakin bu qiymətləndirmə birbaşa implant yerleştirme deneyi deyil. Modelin segmentasyon çıktısı kullanılarak yapılan gerçəlavə implant planlarının daha güvenli olduğu, komplikasyonları azalttığı və ya CBCT gerəlavəsinimini ortadan kaldırdığı göstərilməmişdir.

Panoramik radyografi geometrik büyütme və üst üste binme içerdiğinden, aşağı segmentasyon hatası görüntünün əsas fiziki sərhədlamalarını ortadan kaldırmaz.

Tədqiqatın güclü tərəfləri

• Kənar məlumatıni yardımcı giriş və ya kayıp yerinə diqqət hesaplamasının içine yerleştirmesi,
• Laplasyen, Sobel, Canny və öğrenilebilir filtreleri kontrollü şəkildə müqayisəsi,
• LoRA, RFB, çarpaz diqqət, EGA və yarı nəzarətli öyrənmənin katkılarını ayrı ayrı incelemesi,
• Beş fərqli rastgele başlanğıcla deney təlavərarı yapması,
• Hem bölgesel örtüşme hem də sərhəd uzaklığı metriklerini kullanması,
• Wilcoxon testi, Bonferroni düzeltmesi və bootstrap güven aralıqları bildirmesi,
• Farklı merkezlerden gelen DENTEX verileriyle sahə dışı qiymətləndirmə yapması,
• Standart, zorlu və çox zor olguları ayrı incelemesi,
• Diş türlerine görə performansı qiymətləndirməsi,
• Parametre, FLOPs və çıkarım müddətini raporlaması,
• Kamuya açıq verilənlər dəstləri kullanması.

Tədqiqatın məhdudiyyətləri

• Tədqiqat rəyçi qiymətləndirməsindən keçməmiş bir preprintdir.
• Ana denetimli öyrətmə yalnız 30 tam etiketli görüntüye dayanmaktadır.
• 2.350 etiketsiz görüntü üçün üretilen saxta etiketler bağımsız uzman kontrolünden geçirilmemiştir.
• Ana müqayisə nəticələri 20 görüntülük doğrulama dəstinde verilmiştir; 100 görüntülük gizli test kümesine ait ayrı nəticə raporlanmamıştır.
• DENTEX qiymətləndirməsi 50 görüntülük doğrulama dəstinde yapılmıştır; gizli test nəticələri verilmemiştir.
• İnsan uzmanlar arasındaki segmentasyon farklılığı ölçülmemiştir.
• 0,79 mm HD95’in uzman düzeyine ne kadar yakın olduğu bilinmeməlavətedir.
• Panoramik görüntüler yeniden 1024×1024’e ölçülandırılmıştır; piksel-milimetre dönüşüm metodi ayrıntılı açıqlanmamıştır.
• İstatistiksel örnəlavə sayı eyni 20 görüntünün beş öyrətmə koşusunda değerlendirilmesiyle oluşturulmuştur; təlavərarlı ölçümlerin asılılıq yapısı ayrıntılandırılmamıştır.
• Ablasyon analizi bileşenleri sırayla əlavəlemiş, bileşenler arasındaki etkileşimleri faktöriyel tasarımla incelememiştir.
• Model yalnız yapısal diş segmentasiyası yapmaktadır.
• Çürük, periapikal lezyon, periodontal kemik itkisi və ya gömülü diş diaqnozu değerlendirilmemiştir.
• Gerçəlavə klinik iş akışında prospəlavətif istifadə yapılmamıştır.
• Segmentasyonun müalicə kararlarını və ya xəstə nəticələrinı iyileştirdiği göstərilməmişdir.
• DENTEX’te əhəmiyyətli performans düşüşü görülmüş, fərqli merkezlerde tam eşdeğer nəticə korunmamıştır.
• Çox zor alt grup yalnız dörd görüntü içerməlavətedir.
• EGA’nın kodlayıcıdan bağımsız olduğu sonrakı sürülməlavətedir; lakin əlavəsperimental doğrulama yalnız SAM 2 kodlayıcısıyla yapılmıştır.
• ResNet və ya ConvNeXt gibi fərqli kodlayıcılarda performans göstərilməmişdir.
• Kod deposu, eğitilmiş model ağırlıkları və ya tam yeniden üretim bağlantısı PDF’də verilmemiştir.
• Çıkarım müddəti yalnız RTX 3090 üzerinde ölçülmüştür.

Tədqiqat nə deyir, nə demir?

Keçmiş, bu gün və gələcək baxımından əhəmiyyəti

Geçmiş baxımından dental segmentasyon əvvəl klasik kenar operatörleri, eşikleme və kümeleme metodlerine dayanmıştır. CNN döneminde UNet gibi mimariler görüntü xüsusiyyətlərini öyrənməye başlamış, lakin aşağı kontrastlı sərhədlar və uzun mesafeli anatomik ilişkiler sorun olmaya devam etmiştir.

Transformer və əsas model döneminde ümumi görsel məlumat çox daha güclü hala gelmiştir. Buna rağmen bu modeller doğal görüntülerde öğrendikleri məlumatyi tibbi radyografiye birbaşa aktardıklarında sahə farkı və sərhəd duyarsızlığı ortaya çıkmıştır.

Bugün baxımından tədqiqat, klasik görüntü işlemedəlavəi sabit Laplasyen operatörü ilə modern diqqət məlavəanizmasını bir araya getirməlavətedir. Temel fikir, klasik və öğrenilebilir metodleri birbirinin alternatifi kimi görməlavə yerinə sabit geometrik öncülleri öğrenilmiş temsilin içine yerleştirməlavətir.

Gelecəlavə baxımından benzer kenar kılavuzlu diqqət modülleri bu sahəlarda araştırılabilir:

• Retina damarlarının ayrılması,
• Histopatolojide hücre zarlarının sərhədlandırılması,
• Ultrason görüntülerinde lezyon sərhədları,
• Periodontal kemik seviyesi analizi,
• Periapikal lezyon segmentasyonu,
• Çürük və restorasyon sərhədlarının belirlenmesi,
• CBCT’də üç ölçülu diş və kök segmentasyonu.

Lakin bu ümumilenebilirlik henüz əlavəsperimental kimi göstərilməmişdir. Gelecəlavə tədqiqatların fərqli anatomik bölgeler, fərqli cihazlar və prospəlavətif klinik verilər üzerinde doğrulama yapması lazımdır.

Tədqiqatın Metodu və Nəticələri

Təlavənik iş akışının özeti

Temel denklemler

Veri və öyrətmə özeti

Ana sayısal nəticələr

Bilimsel nəticələrin təlavənik yorumu

Tədqiqatnın en vacib bulgusu yalnız daha yüksək Dice dəyəri deyil. Modelin en belirgin avantajı, sərhəd hatasını temsil eden HD95 ölçütünde görülmüştür.

Bu nəticə, panoramik rentgenoqrafiyalarde ümumi diş sahəının zaten güclü modellerle böyük dərəcədə bulunabildiğini; asıl geliştirme sahəının aşağı kontrastlı kök, boyun və dişler arası sərhədlar olduğunu göstərir.

Sabit Laplasyen operatörü təlavə başına son segmentasyonu üretmeməlavətedir. Operatör, öğrenilmiş xüsusiyyətlərin hansı bölümlerine diqqət edileceğini yönlendirməlavətedir. Bu səbəblə tədqiqat klasik görüntü işleme ilə derin öyrənmənin birbirini tamamlayabileceğine ilişkin bir örnəlavə sunmaktadır.

Lakin nəticələrin klinik değere dönüşebilmesi üçün modelin fərqli ülkelerden, cihazlardan və xəstə gruplarından gelen prospəlavətif görüntülerde sınanması; uzmanlar arası referans farklılığının belirlenmesi və segmentasyon çıktılarının gerçəlavə müalicə planlarına etkisinin ölçülmesi lazımdır.

Mənbə və Metod Qeydi

Bu içerik, Yukun Du, Rui Zhang, Yude Ji, Jiaqian Song və Bo Ma tərəfindən hazırlanan “Hierarchical Refinement of SAM 2 via Edge-Guided Attention for High-Fidelity Dental Segmentation in Panoramic Radiography” başlıqlı tədqiqatya dayanmaktadır.

Müəlliflər Shihezi Üniversitesi Bilgi Bilimi və Təlavənolojisi Fakültesi ilə Shihezi Üniversitesi Klinik Tıp Fakültesi bünyesinde tədqiqatktadır.

Belge, panoramik dental radyografi segmentasyonu üçün yeni bir süni intelləlavət mimarisi geliştiren hesaplamalı metod geliştirme və müqayisəlı performans tədqiqatsı niteliğinde bir preprintdir.

Metinde açıqça “This preprint research paper has not been peer reviewed” ifadəsi mövcuddur. Dolayısıyla tədqiqat rəyçi qiymətləndirməsindən keçməmiştir. PDF’də doğrulanabilir nihai dergi kabulü və ya tədqiqatnın kendisine ait DOI məlumatsi mövcud deyil.

Tədqiqatda yalnız kamuya açıq MICCAI STS 2024 və DENTEX görüntü verilənlər dəstləri istifadə edilmişdir. Müəlliflər birbaşa yeni xəstə verisi toplamamış, hastalara görüntüleme və ya klinik müdahale uygulamamıştır.

Tədqiqat, Shihezi Üniversitesi İnovasyon və Gelişim Özel Projesi kapsamında CXFZ202309 numaralı destəlavəle finanse edilmişdir. Müəlliflər mali və ya nəfərsel çıkar çatışması bulunmadığını bildirmiştir.

Ana performans nəticələri MICCAI STS 2024 verilənlər dəstindəlavəi 20 görüntülük doğrulama dəstinde beş öyrətmə koşusu üzərindən verilmiştir. Veri setinde 100 görüntülük gizli test dəsti bulunmasına rağmen PDF’də bu kümeye ait ayrı nəticə tablosu sunulmamıştır.

DENTEX sahə dışı qiymətləndirməsi 50 görüntülük doğrulama dəstinde yapılmıştır. Nəticələr fərqli veri sahəında ümumileme potansiyeli göstərir; lakin Dice değerindəlavəi 2,7 puanlık düşüş, sahə farkının tamamen ortadan kaldırılmadığını göstərir.

Tədqiqat klinik deney deyil. Modelin implant komplikasyonlarını azalttığı, ortodontik müalicə nəticələrinı iyileştirdiği və ya diş həlavəimi qiymətləndirməsinin yerinə geçtiği göstərilməmişdir.

EGA-SAM2-UNet yalnız diş yapılarının segmentasyonunu hedefleməlavətedir. Çürük, periodontal xəstəlik, periapikal patoloji, tümör və ya diğer dental hastalıklar üçün təsdiqlənmiş diaqnoz sistemi deyil.

Tədqiqatda bildirilen HD95 dəyərləri sərhəd uzaklığı ölçütleridir. Bu değerler görüntüleme sisteminin geometrik büyütme, üst üste binme və radyografik bozulma gibi əsas fiziki sərhədlamalarını ortadan kaldırmaz.

EGA modülünün kodlayıcıdan bağımsız olduğu mimari açıdan sonrakı sürülməlavətedir; lakin tədqiqatda yalnız SAM 2 tabanlı yapı əlavəsperimental kimi qiymətləndirilmişdir. Farklı CNN və ya Transformer kodlayıcılarıyla ümumilenebilirlik henüz doğrulanmamıştır.

Bu içerik yalnız yüklenen PDF’dəlavəi metod, matematiksel denklemler, deney protokolu, şəlavəiller, tablolar və müəlliflərın yorumları əsas alınarak hazırlanmıştır. PDF’də bulunmayan diaqnoz uğursı, klinik güvenlik garantisi, bütün görüntüleme cihazlarında eşit performans və ya insan uzman düzeyine ulaşıldığı iddiası əlavəlenmemiştir.