Syväoppimismenetelmä vedenalaisten hampaiden luokitteluun ja havaitsemiseen
Syväoppimismenetelmä vedenalaisten maitohampaiden luokitteluun ja havaitsemiseen
Tavoitteet: Tutkimuksen tavoitteena oli vertailla tekoälysovelluksen menestystä ja luotettavuutta vedenalaisten hampaiden havaitsemisessa ja luokittelussa ortopantomografiassa (OPG).
Menetelmät: Konvoluutiohermoverkkojen (CNN) algoritmeja käytettiin havaitsemaan ja luokittamaan upotetut poskihampaat. Havaintomoduuli, joka perustuu huippuluokan Faster R-CNN -arkkitehtuuriin, käsitteli röntgenkuvan määrittääkseen vedenalaisten poskihammasten rajat. Järjestelmän diagnostista suorituskykyä arvioitiin ja verrattiin asiantuntijatasoon erillisellä testaussarjalla.
Tulokset: Järjestelmän luokittelun ja tunnistamisen onnistumisprosentti on korkea vertailustandardin mukaan arvioituna. Järjestelmä oli erittäin tarkka suorituskykyyn verrattuna tarkkailijoihin.
Johtopäätökset: Ehdotetun tietokoneavusteisen diagnoosiratkaisun suorituskyky on verrattavissa asiantuntijoiden suorituskykyyn. On hyödyllistä diagnosoida upotetut poskihampaat tekoälysovelluksella virheiden estämiseksi. Se myös helpottaa lasten hammaslääkäreiden diagnooseja.
Tutkimuksen yleiskatsaus
Yksityiskohtainen kuvaus
Esikäsittely, koulutus ja luokittelu Tutkimus suoritettiin tasapainotetuilla tietosarjoilla. Tapaus- ja kontrollitietojoukot jaettiin satunnaisesti kahteen osaan, koulutusryhmään (27 tapausryhmää / 27 kontrolliryhmää) ja testiryhmään (10 tapausryhmää / 10 kontrolliryhmää), jotta estetään visuaalien käyttö harjoitusryhmässä. uudelleentestaus. Järjestelmä ei nähnyt testaustietojoukkoa koulutusvaiheen aikana.
Kaikki tietojoukon 2943 x 1435 pikselin kuvat muutettiin 971 x 474 pikseliin ennen harjoittelua. Kaikki käytetyt OPG-kuvat sisältävät koko hampaiston. Harjoittelu- ja testitietosarjoja käytettiin optimaalisen CNN-algoritmin painokertoimien arvioimiseen ja luomiseen. Satunnainen sekvenssi luotiin käyttämällä avoimen lähdekoodin Python-ohjelmointia (Python 3.6.1, Python Software Foundation, Wilmington, DE, USA, https://www.python.org/) kieli ja OpenCV-, NumPy-, Pandas- ja Matplotlib-kirjastot. Tässä tutkimuksessa Tensorflowa mallinkehitykseen käytettiin vedenalaisten primaaristen poskihampaiden luokitteluun. Siirto-oppimisena käytettiin InceptionV3-arkkitehtuuria ja siirtoarvot tallennettiin välimuistiin. Sitten täysin yhdistetyt kerrokset ja softmax-luokittimet yhdistettiin lopulliseksi mallikerrokseksi. Koulutus suoritettiin 7000 askelta 16G RAM-muistilla ja NVIDIA GeForce GTX 1050 -näytöllä varustetulla PC:llä.
Opintotyyppi
Ilmoittautuminen (Todellinen)
Yhteystiedot ja paikat
Opiskelupaikat
-
-
-
Eskisehir, Turkki, 26040
- Seçil Çalışkan
-
-
Osallistumiskriteerit
Kelpoisuusvaatimukset
Opintokelpoiset iät
Hyväksyy terveitä vapaaehtoisia
Sukupuolet, jotka voivat opiskella
Näytteenottomenetelmä
Tutkimusväestö
Kuvaus
Sisällyttämiskriteerit:
Poissulkemiskriteerit:
Huonolaatuiset OPG-kuvat (metalliartefaktit, kuvausvirheistä johtuvat esineet jne.) jätettiin pois.
Opintosuunnitelma
Miten tutkimus on suunniteltu?
Suunnittelun yksityiskohdat
Mitä tutkimuksessa mitataan?
Ensisijaiset tulostoimenpiteet
Tulosmittaus |
Toimenpiteen kuvaus |
Aikaikkuna |
|---|---|---|
|
Upotettujen hampaiden tunnistus
Aikaikkuna: 6 kuukautta
|
Havaintomoduuli, joka perustuu huippuluokan Faster R-CNN -arkkitehtuuriin, käsitteli röntgenkuvan määrittääkseen vedenalaisten poskihammasten rajat.
|
6 kuukautta
|
Yhteistyökumppanit ja tutkijat
Sponsori
Opintojen ennätyspäivät
Opi tärkeimmät päivämäärät
Opiskelun aloitus (Todellinen)
Ensisijainen valmistuminen (Todellinen)
Opintojen valmistuminen (Todellinen)
Opintoihin ilmoittautumispäivät
Ensimmäinen lähetetty
Ensimmäinen toimitettu, joka täytti QC-kriteerit
Ensimmäinen Lähetetty (Todellinen)
Tutkimustietojen päivitykset
Viimeisin päivitys julkaistu (Todellinen)
Viimeisin lähetetty päivitys, joka täytti QC-kriteerit
Viimeksi vahvistettu
Lisää tietoa
Tähän tutkimukseen liittyvät termit
Avainsanat
Muut tutkimustunnusnumerot
- E86412-49
Yksittäisten osallistujien tietojen suunnitelma (IPD)
Aiotko jakaa yksittäisten osallistujien tietoja (IPD)?
Lääke- ja laitetiedot, tutkimusasiakirjat
Tutkii yhdysvaltalaista FDA sääntelemää lääkevalmistetta
Tutkii yhdysvaltalaista FDA sääntelemää laitetuotetta
Nämä tiedot haettiin suoraan verkkosivustolta clinicaltrials.gov ilman muutoksia. Jos sinulla on pyyntöjä muuttaa, poistaa tai päivittää tutkimustietojasi, ota yhteyttä register@clinicaltrials.gov. Heti kun muutos on otettu käyttöön osoitteessa clinicaltrials.gov, se päivitetään automaattisesti myös verkkosivustollemme .