Un enfoque de aprendizaje profundo para la clasificación y detección de dientes sumergidos
Un enfoque de aprendizaje profundo para la clasificación y detección de dientes temporales sumergidos
Objetivos: El estudio tuvo como objetivo comparar el éxito y la confiabilidad de una aplicación de inteligencia artificial en la detección y clasificación de dientes sumergidos en ortopantomografía (OPG).
Métodos: Se utilizaron algoritmos de redes neuronales convolucionales (CNN) para detectar y clasificar los molares sumergidos. El módulo de detección, que se basa en la arquitectura Faster R-CNN de última generación, procesó la radiografía para definir los límites de los molares sumergidos. Se utilizó un conjunto de pruebas separado para evaluar el rendimiento de diagnóstico del sistema y compararlo con el nivel experto.
Resultados: La tasa de éxito de la clasificación e identificación del sistema es alta cuando se evalúa según el estándar de referencia. El sistema fue extremadamente preciso en comparación con el rendimiento de los observadores.
Conclusiones: El rendimiento de la solución de diagnóstico asistido por ordenador propuesta es comparable al de los expertos. Es útil diagnosticar molares sumergidos con una aplicación de inteligencia artificial para evitar errores. Además, facilitará los diagnósticos a los odontopediatras.
Descripción general del estudio
Estado
Condiciones
Intervención / Tratamiento
Descripción detallada
Preprocesamiento, capacitación y clasificación El estudio se realizó con conjuntos de datos equilibrados. Los conjuntos de datos de casos y controles se dividieron aleatoriamente en dos partes, el grupo de entrenamiento (27 grupos de casos/27 grupos de control) y el grupo de prueba (10 grupos de casos/10 grupos de control) para evitar el uso de elementos visuales en el grupo de entrenamiento para volviendo a probar El sistema no vio el conjunto de datos de prueba durante la fase de entrenamiento.
Todas las imágenes de 2943 por 1435 píxeles en el conjunto de datos se redimensionaron a 971 por 474 píxeles antes del entrenamiento. Todas las imágenes OPG utilizadas incluyen las denticiones completas. Los conjuntos de datos de entrenamiento y prueba se usaron para estimar y generar factores de peso para el algoritmo CNN óptimo. Se generó una secuencia arbitraria utilizando la programación Python de código abierto (Python 3.6.1, Fundación de software de Python, Wilmington, DE, EE. UU., https://www.python.org/) lenguaje y bibliotecas OpenCV, NumPy, Pandas y Matplotlib. En este estudio, se utilizó Tensorflow para el desarrollo de modelos para clasificar los molares primarios sumergidos. La arquitectura InceptionV3 se utilizó como transferencia de aprendizaje y los valores de transferencia se guardaron en la memoria caché. Luego, los clasificadores de capa y softmax completamente conectados se combinaron para formar las capas del modelo final. El entrenamiento se realizó utilizando 7000 pasos con 16G de RAM y una PC equipada con NVIDIA GeForce GTX 1050.
Tipo de estudio
Inscripción (Actual)
Contactos y Ubicaciones
Ubicaciones de estudio
-
-
-
Eskisehir, Pavo, 26040
- Seçil Çalışkan
-
-
Criterios de participación
Criterio de elegibilidad
Edades elegibles para estudiar
Acepta Voluntarios Saludables
Géneros elegibles para el estudio
Método de muestreo
Población de estudio
Descripción
Criterios de inclusión:
Criterio de exclusión:
Se excluyeron las imágenes OPG de mala calidad (artefacto metálico, artefactos por errores de posición durante el disparo, etc.).
Plan de estudios
¿Cómo está diseñado el estudio?
Detalles de diseño
¿Qué mide el estudio?
Medidas de resultado primarias
Medida de resultado |
Medida Descripción |
Periodo de tiempo |
|---|---|---|
|
Detección de dientes sumergidos
Periodo de tiempo: 6 meses
|
El módulo de detección, que se basa en la arquitectura Faster R-CNN de última generación, procesó la radiografía para definir los límites de los molares sumergidos.
|
6 meses
|
Colaboradores e Investigadores
Patrocinador
Fechas de registro del estudio
Fechas importantes del estudio
Inicio del estudio (Actual)
Finalización primaria (Actual)
Finalización del estudio (Actual)
Fechas de registro del estudio
Enviado por primera vez
Primero enviado que cumplió con los criterios de control de calidad
Publicado por primera vez (Actual)
Actualizaciones de registros de estudio
Última actualización publicada (Actual)
Última actualización enviada que cumplió con los criterios de control de calidad
Última verificación
Más información
Términos relacionados con este estudio
Palabras clave
Otros números de identificación del estudio
- E86412-49
Plan de datos de participantes individuales (IPD)
¿Planea compartir datos de participantes individuales (IPD)?
Información sobre medicamentos y dispositivos, documentos del estudio
Estudia un producto farmacéutico regulado por la FDA de EE. UU.
Estudia un producto de dispositivo regulado por la FDA de EE. UU.
Esta información se obtuvo directamente del sitio web clinicaltrials.gov sin cambios. Si tiene alguna solicitud para cambiar, eliminar o actualizar los detalles de su estudio, comuníquese con register@clinicaltrials.gov. Tan pronto como se implemente un cambio en clinicaltrials.gov, también se actualizará automáticamente en nuestro sitio web. .