침수 치아 분류 및 감지에 대한 딥 러닝 접근 방식
수중 유치 분류 및 감지에 대한 딥 러닝 접근 방식
목표: 이 연구는 정형외과(OPG)에서 잠긴 치아의 감지 및 분류에서 인공 지능 응용 프로그램의 성공과 신뢰성을 비교하는 것을 목표로 했습니다.
방법: CNN(Convolutional Neural Network) 알고리즘을 사용하여 잠긴 어금니를 감지하고 분류했습니다. 최첨단 Faster R-CNN 아키텍처를 기반으로 하는 감지 모듈은 침수된 어금니의 경계를 정의하기 위해 방사선 사진을 처리했습니다. 시스템의 진단 성능을 평가하고 전문가 수준과 비교하기 위해 별도의 테스트 세트를 사용했습니다.
결과: 참조 표준에 따라 평가할 때 시스템의 분류 및 식별 성공률이 높습니다. 이 시스템은 관찰자와의 성능 비교에서 매우 정확했습니다.
결론: 제안된 컴퓨터 지원 진단 솔루션의 성능은 전문가의 성능과 비슷하다. 수몰된 어금니를 인공지능 어플리케이션으로 진단하여 오류를 방지하는데 유용합니다. 또한 소아 치과 의사의 진단을 용이하게 합니다.
연구 개요
상세 설명
사전 처리, 훈련 및 분류 이 연구는 균형 잡힌 데이터 세트로 수행되었습니다. 사례 및 통제 데이터 세트를 교육 그룹(27개 사례 그룹/27개 통제 그룹)과 테스트 그룹(10개 사례 그룹/10개 통제 그룹)의 두 부분으로 무작위로 나누어 교육 그룹에서 시각 자료의 사용을 방지했습니다. 재시험. 훈련 단계 동안 시스템에서 테스트 데이터 세트를 볼 수 없었습니다.
데이터 세트의 모든 2943 x 1435 픽셀 이미지는 훈련 전에 971 x 474 픽셀로 크기가 조정되었습니다. 사용된 모든 OPG 이미지는 전체 치열을 포함합니다. 학습 및 테스트 데이터 세트를 사용하여 최적의 CNN 알고리즘에 대한 가중치 요소를 추정하고 생성했습니다. 오픈 소스 Python 프로그래밍(Python 3.6.1, 파이썬 소프트웨어 재단, 미국 델라웨어주 윌밍턴, https://www.python.org/) 언어 및 OpenCV, NumPy, Pandas 및 Matplotlib 라이브러리. 본 연구에서는 모델 개발을 위한 Tensorflow를 사용하여 침수된 유구치를 분류하였다. InceptionV3 아키텍처는 전이 학습으로 사용되었으며, 전이 값은 캐시에 저장되었습니다. 그런 다음 완전히 연결된 계층과 softmax 분류기를 결합하여 최종 모델 계층을 형성했습니다. 훈련은 16G RAM과 NVIDIA GeForce GTX 1050이 장착된 PC로 7000단계를 사용하여 수행되었습니다.
연구 유형
등록 (실제)
연락처 및 위치
연구 장소
-
-
-
Eskisehir, 칠면조, 26040
- Seçil Çalışkan
-
-
참여기준
자격 기준
공부할 수 있는 나이
건강한 자원 봉사자를 받아들입니다
연구 대상 성별
샘플링 방법
연구 인구
설명
포함 기준:
제외 기준:
화질이 좋지 않은 OPG 이미지(금속 아티팩트, 촬영 시 위치 오류로 인한 아티팩트 등)는 제외되었습니다.
공부 계획
연구는 어떻게 설계됩니까?
디자인 세부사항
연구는 무엇을 측정합니까?
주요 결과 측정
결과 측정 |
측정값 설명 |
기간 |
|---|---|---|
|
잠긴 치아 감지
기간: 6 개월
|
최첨단 Faster R-CNN 아키텍처를 기반으로 하는 감지 모듈은 침수된 어금니의 경계를 정의하기 위해 방사선 사진을 처리했습니다.
|
6 개월
|
공동 작업자 및 조사자
연구 기록 날짜
연구 주요 날짜
연구 시작 (실제)
기본 완료 (실제)
연구 완료 (실제)
연구 등록 날짜
최초 제출
QC 기준을 충족하는 최초 제출
처음 게시됨 (실제)
연구 기록 업데이트
마지막 업데이트 게시됨 (실제)
QC 기준을 충족하는 마지막 업데이트 제출
마지막으로 확인됨
추가 정보
이 정보는 변경 없이 clinicaltrials.gov 웹사이트에서 직접 가져온 것입니다. 귀하의 연구 세부 정보를 변경, 제거 또는 업데이트하도록 요청하는 경우 register@clinicaltrials.gov. 문의하십시오. 변경 사항이 clinicaltrials.gov에 구현되는 즉시 저희 웹사이트에도 자동으로 업데이트됩니다. .