En dyb læringstilgang til klassificering og detektion af nedsænkede tænder
En dyb læringstilgang til klassificering og detektion af nedsænkede mælketænder
Formål: Undersøgelsen havde til formål at sammenligne succesen og pålideligheden af en kunstig intelligens-applikation til påvisning og klassificering af nedsænkede tænder i ortopantomografi (OPG).
Metoder: Konvolutionelle neurale netværk (CNN) algoritmer blev brugt til at detektere og klassificere neddykkede kindtænder. Detektionsmodulet, som er baseret på den avancerede Faster R-CNN-arkitektur, behandlede røntgenbilledet for at definere grænserne for nedsænkede kindtænder. Et separat testsæt blev brugt til at evaluere systemets diagnostiske ydeevne og sammenligne det med ekspertniveauet.
Resultater: Succesraten for klassificering og identifikation af systemet er høj, når det evalueres i henhold til referencestandarden. Systemet var ekstremt præcist i ydelsessammenligning med observatører.
Konklusioner: Ydeevnen af den foreslåede computerstøttede diagnoseløsning er sammenlignelig med eksperternes. Det er nyttigt at diagnosticere nedsænkede kindtænder med en kunstig intelligens-applikation for at forhindre fejl. Det vil også lette pædiatriske tandlægers diagnoser.
Studieoversigt
Status
Betingelser
Intervention / Behandling
Detaljeret beskrivelse
Forbehandling, træning og klassificering Undersøgelsen blev udført med afbalancerede datasæt. Case- og kontroldatasættene blev tilfældigt opdelt i to dele, træningsgruppen (27 casegrupper/27 kontrolgrupper) og testgruppen (10 casegrupper/10 kontrolgrupper) for at forhindre brugen af det visuelle i træningsgruppen mhp. gentestning. Testdatasættet blev ikke set af systemet under træningsfasen.
Alle 2943 x 1435 pixel billeder i datasættet blev ændret til 971 x 474 pixel før træning. Alle brugte OPG-billeder inkluderer hele tandstenene. Trænings- og testdatasættene blev brugt til at estimere og generere vægtfaktorer til den optimale CNN-algoritme. En vilkårlig sekvens blev genereret ved hjælp af open source Python-programmering (Python 3.6.1, Python Software Foundation, Wilmington, DE, USA, https://www.python.org/) sprog og OpenCV, NumPy, Pandas og Matplotlib biblioteker. I denne undersøgelse blev Tensorflow til modeludvikling brugt til at klassificere nedsænkede primære kindtænder. InceptionV3 arkitektur blev brugt som transfer learning, og overførselsværdierne blev gemt i cachen. Derefter blev fuldt forbundne lag- og softmax-klassifikatorer kombineret for at danne de endelige modellag. Træningen blev gennemført ved hjælp af 7000 trin med 16G RAM og en pc udstyret med NVIDIA GeForce GTX 1050.
Undersøgelsestype
Tilmelding (Faktiske)
Kontakter og lokationer
Studiesteder
-
-
-
Eskisehir, Kalkun, 26040
- Seçil Çalışkan
-
-
Deltagelseskriterier
Berettigelseskriterier
Aldre berettiget til at studere
Tager imod sunde frivillige
Køn, der er berettiget til at studere
Prøveudtagningsmetode
Studiebefolkning
Beskrivelse
Inklusionskriterier:
Ekskluderingskriterier:
OPG-billeder af dårlig kvalitet (metalartefakter, artefakter på grund af positionsfejl under optagelse osv.) blev udelukket.
Studieplan
Hvordan er undersøgelsen tilrettelagt?
Design detaljer
Hvad måler undersøgelsen?
Primære resultatmål
Resultatmål |
Foranstaltningsbeskrivelse |
Tidsramme |
|---|---|---|
|
Registrering af neddykket tand
Tidsramme: 6 måneder
|
Detektionsmodulet, som er baseret på den avancerede Faster R-CNN-arkitektur, behandlede røntgenbilledet for at definere grænserne for nedsænkede kindtænder.
|
6 måneder
|
Samarbejdspartnere og efterforskere
Sponsor
Datoer for undersøgelser
Studer store datoer
Studiestart (Faktiske)
Primær færdiggørelse (Faktiske)
Studieafslutning (Faktiske)
Datoer for studieregistrering
Først indsendt
Først indsendt, der opfyldte QC-kriterier
Først opslået (Faktiske)
Opdateringer af undersøgelsesjournaler
Sidste opdatering sendt (Faktiske)
Sidste opdatering indsendt, der opfyldte kvalitetskontrolkriterier
Sidst verificeret
Mere information
Begreber relateret til denne undersøgelse
Andre undersøgelses-id-numre
- E86412-49
Plan for individuelle deltagerdata (IPD)
Planlægger du at dele individuelle deltagerdata (IPD)?
Lægemiddel- og udstyrsoplysninger, undersøgelsesdokumenter
Studerer et amerikansk FDA-reguleret lægemiddelprodukt
Studerer et amerikansk FDA-reguleret enhedsprodukt
Disse oplysninger blev hentet direkte fra webstedet clinicaltrials.gov uden ændringer. Hvis du har nogen anmodninger om at ændre, fjerne eller opdatere dine undersøgelsesoplysninger, bedes du kontakte register@clinicaltrials.gov. Så snart en ændring er implementeret på clinicaltrials.gov, vil denne også blive opdateret automatisk på vores hjemmeside .