Tato stránka byla automaticky přeložena a přesnost překladu není zaručena. Podívejte se prosím na anglická verze pro zdrojový text.

Hluboký přístup ke klasifikaci a detekci ponořených zubů

12. března 2020 aktualizováno: Seçil Çalışkan, Eskisehir Osmangazi University

Hluboký přístup ke klasifikaci a detekci ponořených mléčných zubů

Cíle: Cílem studie bylo porovnat úspěšnost a spolehlivost aplikace umělé inteligence při detekci a klasifikaci ponořených zubů v ortopantomografii (OPG).

Metody: K detekci a klasifikaci ponořených molárů byly použity algoritmy konvolučních neuronových sítí (CNN). Detekční modul, který je založen na nejmodernější architektuře Faster R-CNN, zpracoval rentgenový snímek, aby definoval hranice ponořených molárů. K vyhodnocení diagnostického výkonu systému a jeho porovnání s expertní úrovní byla použita samostatná testovací sada.

Výsledky: Úspěšnost klasifikace a identifikace systému je při hodnocení podle referenčního standardu vysoká. Systém byl extrémně přesný v porovnání výkonu s pozorovateli.

Závěry: Výkon navrhovaného počítačově podporovaného diagnostického řešení je srovnatelný s výkonem expertů. Je užitečné diagnostikovat ponořené stoličky pomocí aplikace umělé inteligence, aby se předešlo chybám. Usnadní také diagnostiku dětských zubních lékařů.

Přehled studie

Postavení

Dokončeno

Podmínky

Intervence / Léčba

Detailní popis

Předzpracování, školení a klasifikace Studie byla provedena s vyváženými soubory dat. Soubory případových a kontrolních dat byly náhodně rozděleny na dvě části, trénovací skupinu (27 případová skupina/27 kontrolní skupina) a testovací skupinu (10 případová skupina/10 kontrolní skupina), aby se zabránilo použití vizuálů v trénovací skupině pro přezkoušení. Během tréninkové fáze systém neviděl soubor testovacích dat.

Všechny obrázky 2943 x 1435 pixelů v souboru dat byly před trénováním změněny na 971 x 474 pixelů. Všechny použité OPG snímky zahrnují celý chrup. Soubory tréninkových a testovacích dat byly použity k odhadu a generování váhových faktorů pro optimální algoritmus CNN. Libovolná sekvence byla vygenerována pomocí open-source programování v Pythonu (Python 3.6.1, Python Software Foundation, Wilmington, DE, USA, https://www.python.org/) jazyk a knihovny OpenCV, NumPy, Pandas a Matplotlib. V této studii byl ke klasifikaci ponořených primárních molárů použit Tensorflow pro vývoj modelu. Architektura InceptionV3 byla použita jako učení přenosu a hodnoty přenosu byly uloženy do mezipaměti. Poté byly zkombinovány plně propojené klasifikátory vrstev a softmax, aby vytvořily finální modelové vrstvy. Školení bylo provedeno pomocí 7000 kroků s 16G RAM a PC vybaveném NVIDIA GeForce GTX 1050.

Typ studie

Pozorovací

Zápis (Aktuální)

74

Kontakty a umístění

Tato část poskytuje kontaktní údaje pro ty, kteří studii provádějí, a informace o tom, kde se tato studie provádí.

Studijní místa

  • Krocan
      • Eskisehir, Krocan, 26040
        • Seçil Çalışkan

Kritéria účasti

Výzkumníci hledají lidi, kteří odpovídají určitému popisu, kterému se říká kritéria způsobilosti. Některé příklady těchto kritérií jsou celkový zdravotní stav osoby nebo předchozí léčba.

Kritéria způsobilosti

Věk způsobilý ke studiu

5 let až 12 let (Dítě)

Přijímá zdravé dobrovolníky

Ano

Pohlaví způsobilá ke studiu

Všechno

Metoda odběru vzorků

Ukázka pravděpodobnosti

Studijní populace

Soubor dat zahrnoval OPG 19 000 dětí ve věku 5–12 let, které byly shromážděny v období od ledna 2016 do prosince 2018.

Popis

Kritéria pro zařazení:

Kritéria vyloučení:

OPG snímky nevalné kvality (kovový artefakt, artefakty způsobené chybami polohy při natáčení atd.) byly vyloučeny.

Studijní plán

Tato část poskytuje podrobnosti o studijním plánu, včetně toho, jak je studie navržena a co studie měří.

Jak je studie koncipována?

Detaily designu

Co je měření studie?

Primární výstupní opatření

Měření výsledku
Popis opatření
Časové okno
Detekce ponořených zubů
Časové okno: 6 měsíců
Detekční modul, který je založen na nejmodernější architektuře Faster R-CNN, zpracoval rentgenový snímek, aby definoval hranice ponořených molárů.
6 měsíců

Spolupracovníci a vyšetřovatelé

Zde najdete lidi a organizace zapojené do této studie.

Sponzor

Eskisehir Osmangazi University

Termíny studijních záznamů

Tato data sledují průběh záznamů studie a předkládání souhrnných výsledků na ClinicalTrials.gov. Záznamy ze studií a hlášené výsledky jsou před zveřejněním na veřejné webové stránce přezkoumány Národní lékařskou knihovnou (NLM), aby se ujistily, že splňují specifické standardy kontroly kvality.

Hlavní termíny studia

Začátek studia (Aktuální)

1. ledna 2019

Primární dokončení (Aktuální)

1. ledna 2020

Dokončení studie (Aktuální)

1. března 2020

Termíny zápisu do studia

První předloženo

12. března 2020

První předloženo, které splnilo kritéria kontroly kvality

12. března 2020

První zveřejněno (Aktuální)

16. března 2020

Aktualizace studijních záznamů

Poslední zveřejněná aktualizace (Aktuální)

16. března 2020

Odeslaná poslední aktualizace, která splnila kritéria kontroly kvality

12. března 2020

Naposledy ověřeno

1. března 2020

Více informací

Termíny související s touto studií

Klíčová slova

Další identifikační čísla studie

  • E86412-49

Plán pro data jednotlivých účastníků (IPD)

Plánujete sdílet data jednotlivých účastníků (IPD)?

NEROZHODNÝ

Informace o lécích a zařízeních, studijní dokumenty

Studuje lékový produkt regulovaný americkým FDA

Ne

Studuje produkt zařízení regulovaný americkým úřadem FDA

Ne

Tyto informace byly beze změn načteny přímo z webu clinicaltrials.gov. Máte-li jakékoli požadavky na změnu, odstranění nebo aktualizaci podrobností studie, kontaktujte prosím register@clinicaltrials.gov. Jakmile bude změna implementována na clinicaltrials.gov, bude automaticky aktualizována i na našem webu .

Předplatit