Un approccio di deep learning alla classificazione e al rilevamento dei denti sommersi
Un approccio di deep learning alla classificazione e al rilevamento dei denti decidui sommersi
Obiettivi: Lo studio mirava a confrontare il successo e l'affidabilità di un'applicazione di intelligenza artificiale nel rilevamento e nella classificazione dei denti sommersi in ortopantomografia (OPG).
Metodi: sono stati utilizzati algoritmi di reti neurali convoluzionali (CNN) per rilevare e classificare i molari sommersi. Il modulo di rilevamento, basato sull'architettura all'avanguardia Faster R-CNN, ha elaborato la radiografia per definire i confini dei molari sommersi. È stato utilizzato un set di test separato per valutare le prestazioni diagnostiche del sistema e confrontarle con il livello esperto.
Risultati: Il tasso di successo della classificazione e dell'identificazione del sistema è elevato se valutato secondo lo standard di riferimento. Il sistema è stato estremamente accurato nel confronto delle prestazioni con gli osservatori.
Conclusioni: le prestazioni della soluzione di diagnosi assistita da computer proposta sono paragonabili a quelle degli esperti. È utile diagnosticare i molari sommersi con un'applicazione di intelligenza artificiale per prevenire errori. Inoltre, faciliterà le diagnosi dei dentisti pediatrici.
Panoramica dello studio
Stato
Condizioni
Intervento / Trattamento
Descrizione dettagliata
Pre-elaborazione, formazione e classificazione Lo studio è stato condotto con insiemi di dati equilibrati. I set di dati sui casi e sui controlli sono stati divisi casualmente in due parti, il gruppo di addestramento (27 gruppi di casi/27 gruppi di controllo) e il gruppo di test (10 gruppi di casi/10 gruppi di controllo) per impedire l'uso delle immagini nel gruppo di addestramento per riprovare. Il set di dati di test non è stato visualizzato dal sistema durante la fase di addestramento.
Tutte le immagini da 2943 x 1435 pixel nel set di dati sono state ridimensionate a 971 x 474 pixel prima dell'addestramento. Tutte le immagini OPG utilizzate includono l'intera dentatura. I set di dati di addestramento e test sono stati utilizzati per stimare e generare fattori di peso per l'algoritmo CNN ottimale. Una sequenza arbitraria è stata generata utilizzando la programmazione Python open source (Python 3.6.1, Python Software Foundation, Wilmington, DE, USA, https://www.python.org/) language e librerie OpenCV, NumPy, Pandas e Matplotlib. In questo studio, Tensorflow per lo sviluppo del modello è stato utilizzato per classificare i molari primari sommersi. L'architettura InceptionV3 è stata utilizzata come transfer learning e i valori di trasferimento sono stati salvati nella cache. Quindi, i classificatori di layer e softmax completamente connessi sono stati combinati per formare gli strati del modello finale. La formazione è stata effettuata utilizzando 7000 passi con 16G RAM e un PC dotato di NVIDIA GeForce GTX 1050.
Tipo di studio
Iscrizione (Effettivo)
Contatti e Sedi
Luoghi di studio
-
-
-
Eskisehir, Tacchino, 26040
- Seçil Çalışkan
-
-
Criteri di partecipazione
Criteri di ammissibilità
Età idonea allo studio
Accetta volontari sani
Sessi ammissibili allo studio
Metodo di campionamento
Popolazione di studio
Descrizione
Criterio di inclusione:
Criteri di esclusione:
Sono state escluse le immagini OPG di scarsa qualità (artefatti metallici, artefatti dovuti a errori di posizione durante le riprese, ecc.).
Piano di studio
Come è strutturato lo studio?
Dettagli di progettazione
Cosa sta misurando lo studio?
Misure di risultato primarie
Misura del risultato |
Misura Descrizione |
Lasso di tempo |
|---|---|---|
|
Rilevamento di denti sommersi
Lasso di tempo: 6 mesi
|
Il modulo di rilevamento, basato sull'architettura all'avanguardia Faster R-CNN, ha elaborato la radiografia per definire i confini dei molari sommersi.
|
6 mesi
|
Collaboratori e investigatori
Sponsor
Studiare le date dei record
Studia le date principali
Inizio studio (Effettivo)
Completamento primario (Effettivo)
Completamento dello studio (Effettivo)
Date di iscrizione allo studio
Primo inviato
Primo inviato che soddisfa i criteri di controllo qualità
Primo Inserito (Effettivo)
Aggiornamenti dei record di studio
Ultimo aggiornamento pubblicato (Effettivo)
Ultimo aggiornamento inviato che soddisfa i criteri QC
Ultimo verificato
Maggiori informazioni
Termini relativi a questo studio
Parole chiave
Altri numeri di identificazione dello studio
- E86412-49
Piano per i dati dei singoli partecipanti (IPD)
Hai intenzione di condividere i dati dei singoli partecipanti (IPD)?
Informazioni su farmaci e dispositivi, documenti di studio
Studia un prodotto farmaceutico regolamentato dalla FDA degli Stati Uniti
Studia un dispositivo regolamentato dalla FDA degli Stati Uniti
Queste informazioni sono state recuperate direttamente dal sito web clinicaltrials.gov senza alcuna modifica. In caso di richieste di modifica, rimozione o aggiornamento dei dettagli dello studio, contattare register@clinicaltrials.gov. Non appena verrà implementata una modifica su clinicaltrials.gov, questa verrà aggiornata automaticamente anche sul nostro sito web .