تشخیص و طبقه بندی پوسیدگی دندان در توموگرافی کامپیوتری با پرتو مخروطی

تشخیص و طبقه بندی پوسیدگی دندان در توموگرافی کامپیوتری با پرتو مخروطی

سمیه ایمانعلی زاده1 هیراد تاجور2

1) دانشجوی دکتری کامپیوتر گرایش نرم افزار.دانشگاه آزاد اسلامی واحدتهران جنوب.ایران
2) دانشجوی دکتری کامپیوتر گرایش نرم افزار.دانشگاه آزاد اسلامی

کد IOI مقاله : XKBA-AAAABG
محل انتشار : سومین کنفرانس بین المللی پیشرفت های اخیر در مهندسی، نوآوری و تکنولوژی - بلژیک(eitconf.com/3rd)
چکیده :
    مطالعه حاضر تلاش برای ارزیابی دقت الگوریتم های یادگیری عمیق در تشخیص پوسیدگی دندان و طبقه بندی میزان و محل پوسیدگی دندان در تصاویر کامپیوتری با پرتو مخروطی (CBCT) بود. تا جایی که ما می دانیم ، مطالعه حاضر اولین تحقیق در مورد استفاده از یادگیری عمیق برای تشخیص پوسیدگی دندان در تصاویر CBCT است. مجموعه داده شامل اسکن های CBCT از 382 دندان مولر تحت تاثیر پوسیدگی و 403 دندان مولر تحت تاثیر قرار نگرفته است. مجموعه داده ها به یک مجموعه توسعه برای آموزش و اعتبارسنجی و یک مجموعه تست تقسیم شد. برای هر مورد ، سه تصویر-محوری ، ساجیتال و تاج—به دست آمد. مجموعه داده های آزمایش در یک شبکه عصبی کانولوشن چند ورودی (CNN) قرار داده شد. این شبکه وجود یا عدم وجود پوسیدگی دندان را پیش بینی کرده و ضایعات را بر اساس عمق و نوع آنها برای نمونه های ارائه شده طبقه بندی کرده است. معیارهایی مانند دقت ، حساسیت ، خاصیت و نمره F1 برای تشخیص و طبقه بندی پوسیدگی دندان محاسبه شد. برای دندان های دندانی پوسیدگی ، دقت تشخیصی ، حساسیت ، خاصیت و نمره F1 93.2 بود. % ، 96.3% ، 92.1% و 95.3% به ترتیب. برای دندان های دندانی غیر حفره ای ، این معیارها به ترتیب 94.6 ٪ ، 95.8 ٪ ، 94.3 ٪ و 94.8 ٪ بودند. شبکه عصبی کانولوشن حساسیت ، خاصیت و دقت بالایی را در طبقه بندی میزان و محل پوسیدگی نشان داد. این یافته ها پتانسیل مدل های یادگیری عمیق را برای تشخیص و طبقه بندی پوسیدگی دندان با دقت ، حساسیت و خاصیت بالا برجسته می کند. ادغام موفق یادگیری عمیق در این زمینه بدون شک می تواند دقت تشخیصی و برنامه ریزی درمان را افزایش دهد و به نفع پزشکان دندانپزشکی و بیماران باشد.

کلمات کلیدی : پوسیدگی دندان توموگرافی کامپیوتری هوش مصنوعی یادگیری عمیق