تشخیص زودهنگام پوسیدگی دندان با استفاده از شبکه‌های عصبی

بهروز الفی¹ سروین شفاده²

1) استادیار مهندسی برق دانشگاه آزاد اسلامی واحد اردبیل
2) دانشجوی کارشناسی مهندسی پزشکی دانشگاه آزاد اسلامی واحد اردبیل

کد IOI مقاله : AAHD-AAHCEB
محل انتشار : کنفرانس ملی فناوری اطلاعات، نانوتکنولوژی، هوش مصنوعی و آینده پژوهی فناوری (itnaf.ir)
چکیده :
    پوسیدگی دندان یکی از شایع‌ترین بیماری‌های دهان و دندان در سطح جهان است که در صورت عدم تشخیص و درمان به‌موقع می‌تواند منجر به درد شدید، عفونت و تخریب ساختار دندانی شود. روش‌های سنتی تشخیص پوسیدگی، شامل معاینه بالینی و بررسی رادیوگرافی‌های دوبعدی، با محدودیت‌هایی همچون وابستگی به تجربه دندانپزشک، کیفیت پایین تصاویر و دشواری در شناسایی ضایعات اولیه همراه هستند. در سال‌های اخیر، پیشرفت‌های چشمگیری در حوزه هوش مصنوعی و یادگیری عمیق رخ داده است که امکان توسعه سامانه‌های هوشمند برای تشخیص خودکار ضایعات دندانی را فراهم کرده است. در این پژوهش، یک سامانه هوشمند مبتنی بر شبکه‌های عصبی کانولوشنی1 و معماری U-Net 2 ارائه شده که با بهره‌گیری همزمان از داده‌های دوبعدی رادیوگرافی بایت‌وینگ و داده‌های سه‌بعدی CBCT قادر به تشخیص زودهنگام پوسیدگی دندان است. به منظور رفع مشکل کمبود داده، از شبکه‌های مولد تخاصمی3 برای تولید داده‌های مصنوعی و افزایش حجم دیتاست استفاده شده است. نتایج شبیه‌سازی نشان داد که مدل ترکیبی U-Net + GAN به دقت ۹۱٪، حساسیت ۹۲٪ و ویژگی ۹۰٪ دست یافت که نسبت به روش‌های سنتی و حتی مدل‌های پایه CNN و U-Net عملکرد بهتری دارد. این یافته‌ها بیانگر ظرفیت بالای هوش مصنوعی در ارتقای دقت تشخیص پوسیدگی دندان و کمک به تصمیم‌گیری بالینی دندانپزشکان است. همچنین این سامانه می‌تواند زمینه‌ساز توسعه نرم‌افزارهای کاربردی در کلینیک‌های دندانپزشکی دیجیتال و ابزارهای تشخیص زودهنگام در سطح جهانی باشد. جهت شبیه سازی و خروجی نتایج از نرم افزار پایتون استفاده شده است.

کلمات کلیدی : پوسیدگی دندان هوش مصنوعی شبکه عصبی کانولوشنی u net cbct