Ein Deep-Learning-Ansatz zur Klassifizierung und Erkennung verdeckter Zähne
Ein Deep-Learning-Ansatz zur Klassifizierung und Erkennung verdeckter Milchzähne
Ziele: Ziel der Studie war es, den Erfolg und die Zuverlässigkeit einer Anwendung künstlicher Intelligenz bei der Erkennung und Klassifizierung verdeckter Zähne in der Orthopantomographie (OPG) zu vergleichen.
Methoden: Algorithmen des Convolutional Neural Networks (CNN) wurden verwendet, um versunkene Molaren zu erkennen und zu klassifizieren. Das Erkennungsmodul, das auf der hochmodernen Faster-R-CNN-Architektur basiert, verarbeitete das Röntgenbild, um die Grenzen eingetauchter Molaren zu definieren. Ein separater Testsatz wurde verwendet, um die Diagnoseleistung des Systems zu bewerten und mit der Expertenebene zu vergleichen.
Ergebnisse: Die Erfolgsquote der Klassifizierung und Identifizierung des Systems ist hoch, wenn es anhand des Referenzstandards bewertet wird. Das System war im Leistungsvergleich mit Beobachtern äußerst genau.
Schlussfolgerungen: Die Leistung der vorgeschlagenen computergestützten Diagnoselösung ist mit der von Experten vergleichbar. Es ist sinnvoll, versunkene Backenzähne mit einer Anwendung künstlicher Intelligenz zu diagnostizieren, um Fehler zu vermeiden. Außerdem wird es die Diagnose für Kinderzahnärzte erleichtern.
Studienübersicht
Status
Bedingungen
Intervention / Behandlung
Detaillierte Beschreibung
Vorverarbeitung, Training und Klassifizierung Die Studie wurde mit ausgewogenen Datensätzen durchgeführt. Die Fall- und Kontrolldatensätze wurden zufällig in zwei Teile aufgeteilt, die Trainingsgruppe (27-Fall-Gruppe/27-Kontrollgruppe) und die Testgruppe (10-Fall-Gruppe/10-Kontrollgruppe), um die Verwendung der visuellen Elemente in der Trainingsgruppe zu verhindern erneut testen. Der Testdatensatz wurde vom System während der Trainingsphase nicht gesehen.
Alle 2943 x 1435 Pixel großen Bilder im Datensatz wurden vor dem Training auf 971 x 474 Pixel verkleinert. Alle verwendeten OPG-Bilder umfassen das gesamte Gebiss. Die Trainings- und Testdatensätze wurden verwendet, um Gewichtungsfaktoren für den optimalen CNN-Algorithmus zu schätzen und zu generieren. Eine beliebige Sequenz wurde mithilfe der Open-Source-Python-Programmierung (Python 3.6.1, Python Software Foundation, Wilmington, DE, USA, https://www.python.org/) Sprache und OpenCV-, NumPy-, Pandas- und Matplotlib-Bibliotheken. In dieser Studie wurde Tensorflow zur Modellentwicklung verwendet, um submerse Milchmolaren zu klassifizieren. Als Übertragungslernen wurde die InceptionV3-Architektur verwendet und die Übertragungswerte wurden im Cache gespeichert. Anschließend wurden vollständig verbundene Schicht- und Softmax-Klassifikatoren kombiniert, um die endgültigen Modellschichten zu bilden. Das Training wurde mit 7000 Schritten mit 16G RAM und einem PC mit NVIDIA GeForce GTX 1050 durchgeführt.
Studientyp
Einschreibung (Tatsächlich)
Kontakte und Standorte
Studienorte
-
-
-
Eskisehir, Truthahn, 26040
- Seçil Çalışkan
-
-
Teilnahmekriterien
Zulassungskriterien
Studienberechtigtes Alter
Akzeptiert gesunde Freiwillige
Studienberechtigte Geschlechter
Probenahmeverfahren
Studienpopulation
Beschreibung
Einschlusskriterien:
Ausschlusskriterien:
OPG-Bilder von schlechter Qualität (Metallartefakte, Artefakte aufgrund von Positionsfehlern während der Aufnahme usw.) wurden ausgeschlossen.
Studienplan
Wie ist die Studie aufgebaut?
Designdetails
Was misst die Studie?
Primäre Ergebnismessungen
Ergebnis Maßnahme |
Maßnahmenbeschreibung |
Zeitfenster |
|---|---|---|
|
Erkennung untergetauchter Zähne
Zeitfenster: 6 Monate
|
Das Erkennungsmodul, das auf der hochmodernen Faster-R-CNN-Architektur basiert, verarbeitete das Röntgenbild, um die Grenzen eingetauchter Molaren zu definieren.
|
6 Monate
|
Mitarbeiter und Ermittler
Sponsor
Studienaufzeichnungsdaten
Haupttermine studieren
Studienbeginn (Tatsächlich)
Primärer Abschluss (Tatsächlich)
Studienabschluss (Tatsächlich)
Studienanmeldedaten
Zuerst eingereicht
Zuerst eingereicht, das die QC-Kriterien erfüllt hat
Zuerst gepostet (Tatsächlich)
Studienaufzeichnungsaktualisierungen
Letztes Update gepostet (Tatsächlich)
Letztes eingereichtes Update, das die QC-Kriterien erfüllt
Zuletzt verifiziert
Mehr Informationen
Begriffe im Zusammenhang mit dieser Studie
Schlüsselwörter
Andere Studien-ID-Nummern
- E86412-49
Plan für individuelle Teilnehmerdaten (IPD)
Planen Sie, individuelle Teilnehmerdaten (IPD) zu teilen?
Arzneimittel- und Geräteinformationen, Studienunterlagen
Studiert ein von der US-amerikanischen FDA reguliertes Arzneimittelprodukt
Studiert ein von der US-amerikanischen FDA reguliertes Geräteprodukt
Diese Informationen wurden ohne Änderungen direkt von der Website clinicaltrials.gov abgerufen. Wenn Sie Ihre Studiendaten ändern, entfernen oder aktualisieren möchten, wenden Sie sich bitte an register@clinicaltrials.gov. Sobald eine Änderung auf clinicaltrials.gov implementiert wird, wird diese automatisch auch auf unserer Website aktualisiert .