Une approche d'apprentissage en profondeur pour la classification et la détection des dents submergées

Prétraitement, formation et classification L'étude a été menée avec des ensembles de données équilibrés. Les ensembles de données de cas et de contrôle ont été divisés au hasard en deux parties, le groupe d'entraînement (27 groupes de cas/27 groupes de contrôle) et le groupe de test (10 groupes de cas/10 groupes de contrôle) pour empêcher l'utilisation des visuels dans le groupe d'entraînement pour retester. L'ensemble de données de test n'a pas été vu par le système pendant la phase de formation.

Toutes les images de 2943 par 1435 pixels dans l'ensemble de données ont été redimensionnées à 971 par 474 pixels avant la formation. Toutes les images OPG utilisées incluent les dentitions entières. Les ensembles de données d'apprentissage et de test ont été utilisés pour estimer et générer des facteurs de pondération pour l'algorithme CNN optimal. Une séquence arbitraire a été générée à l'aide de la programmation Python open-source (Python 3.6.1, Python Software Foundation, Wilmington, DE, États-Unis, https://www.python.org/) langage et bibliothèques OpenCV, NumPy, Pandas et Matplotlib. Dans cette étude, Tensorflow pour le développement de modèles a été utilisé pour classer les molaires primaires submergées. L'architecture InceptionV3 a été utilisée comme apprentissage par transfert et les valeurs de transfert ont été enregistrées dans le cache. Ensuite, des classificateurs de couche et softmax entièrement connectés ont été combinés pour former les couches de modèle finales. La formation a été réalisée en utilisant 7000 étapes avec 16G de RAM et un PC équipé de NVIDIA GeForce GTX 1050.