水没した歯の分類と検出に対する深層学習アプローチ
水没した乳歯の分類と検出に対する深層学習アプローチ
目的: この研究は、オルソパントモグラフィー (OPG) における水没した歯の検出と分類における人工知能アプリケーションの成功と信頼性を比較することを目的としました。
方法: 畳み込みニューラル ネットワーク (CNN) アルゴリズムを使用して、水没した臼歯を検出および分類しました。 最先端の Faster R-CNN アーキテクチャに基づいた検出モジュールは、X 線写真を処理して、水没した臼歯の境界を定義します。 別のテスト セットを使用してシステムの診断パフォーマンスを評価し、専門家レベルと比較しました。
結果: 参照標準に従って評価すると、システムの分類と同定の成功率は高くなります。 このシステムは、オブザーバーとのパフォーマンス比較において非常に正確でした。
結論: 提案されたコンピュータ支援診断ソリューションのパフォーマンスは、専門家のそれに匹敵します。 人工知能アプリケーションを使用して水没臼歯を診断すると、エラーを防ぐことができます。 また、小児歯科医師の診断も容易になります。
調査の概要
詳細な説明
前処理、トレーニング、分類 この研究はバランスの取れたデータセットを使用して実施されました。 ケースデータセットとコントロールデータセットは、トレーニンググループ（ケースグループ27/コントロールグループ27）とテストグループ（ケースグループ10/コントロールグループ10）の2つの部分にランダムに分割され、トレーニンググループでの視覚的な使用を防ぎました。再テスト中。 テスト データ セットは、トレーニング フェーズ中にシステムによって認識されませんでした。
データセット内のすべての 2943 x 1435 ピクセルの画像は、トレーニング前に 971 x 474 ピクセルにサイズ変更されました。 使用されるすべての OPG 画像には歯列全体が含まれています。 トレーニング データ セットとテスト データ セットを使用して、最適な CNN アルゴリズムの重み係数を推定および生成しました。 オープンソースの Python プログラミング (Python 3.6.1、 Python Software Foundation、米国デラウェア州ウィルミントン、https://www.python.org/) 言語と OpenCV、NumPy、Pandas、および Matplotlib ライブラリ。 この研究では、モデル開発用の Tensorflow を使用して、水没した乳臼歯を分類しました。 InceptionV3 アーキテクチャを転送学習として使用し、転送値をキャッシュに保存しました。 次に、全結合層とソフトマックス分類器を組み合わせて、最終的なモデル層を形成しました。 トレーニングは、16G RAM と NVIDIA GeForce GTX 1050 を搭載した PC を備えた 7000 ステップを使用して実行されました。
研究の種類
入学 (実際)
連絡先と場所
研究場所
-
-
-
Eskisehir、七面鳥、26040
- Seçil Çalışkan
-
-
参加基準
適格基準
就学可能な年齢
健康ボランティアの受け入れ
受講資格のある性別
サンプリング方法
調査対象母集団
説明
包含基準:
除外基準:
低品質の OPG 画像（金属アーチファクト、撮影時の位置誤差によるアーチファクトなど）は除外されました。
研究計画
研究はどのように設計されていますか？
デザインの詳細
この研究は何を測定していますか？
主要な結果の測定
結果測定 |
メジャーの説明 |
時間枠 |
|---|---|---|
|
水没歯の検出
時間枠：6ヵ月
|
最先端の Faster R-CNN アーキテクチャに基づいた検出モジュールは、X 線写真を処理して、水没した臼歯の境界を定義します。
|
6ヵ月
|
協力者と研究者
研究記録日
主要日程の研究
研究開始 (実際)
一次修了 (実際)
研究の完了 (実際)
試験登録日
最初に提出
QC基準を満たした最初の提出物
最初の投稿 (実際)
学習記録の更新
投稿された最後の更新 (実際)
QC基準を満たした最後の更新が送信されました
最終確認日
詳しくは
この情報は、Web サイト clinicaltrials.gov から変更なしで直接取得したものです。研究の詳細を変更、削除、または更新するリクエストがある場合は、register@clinicaltrials.gov。 までご連絡ください。 clinicaltrials.gov に変更が加えられるとすぐに、ウェブサイトでも自動的に更新されます。