Een diepgaande leerbenadering voor classificatie en detectie van ondergedompelde tanden
Een diepgaande leerbenadering voor classificatie en detectie van ondergedompelde melktanden
Doelstellingen: De studie was gericht op het vergelijken van het succes en de betrouwbaarheid van een toepassing van kunstmatige intelligentie bij de detectie en classificatie van ondergedompelde tanden in orthopantomografie (OPG).
Methoden: Convolutional neural networks (CNN)-algoritmen werden gebruikt om ondergedompelde kiezen te detecteren en te classificeren. De detectiemodule, die is gebaseerd op de ultramoderne Faster R-CNN-architectuur, verwerkte de röntgenfoto om de grenzen van ondergedompelde kiezen te definiëren. Er werd een aparte testset gebruikt om de diagnostische prestaties van het systeem te evalueren en te vergelijken met het expertniveau.
Resultaten: Het slagingspercentage van classificatie en identificatie van het systeem is hoog bij evaluatie volgens de referentiestandaard. Het systeem was uiterst nauwkeurig in prestatievergelijking met waarnemers.
Conclusies: De prestaties van de voorgestelde computerondersteunde diagnoseoplossing zijn vergelijkbaar met die van experts. Het is handig om ondergedompelde kiezen te diagnosticeren met een toepassing van kunstmatige intelligentie om fouten te voorkomen. Ook zal het de diagnose van kindertandartsen vergemakkelijken.
Studie Overzicht
Toestand
Interventie / Behandeling
Gedetailleerde beschrijving
Voorverwerking, training en classificatie Het onderzoek werd uitgevoerd met uitgebalanceerde datasets. De casus- en controledatasets werden willekeurig verdeeld in twee delen, de trainingsgroep (27 casusgroep/27 controlegroep) en de testgroep (10 casusgroep/10 controlegroep) om te voorkomen dat de beelden in de trainingsgroep voor opnieuw testen. De testgegevensset is tijdens de trainingsfase niet gezien door het systeem.
Alle afbeeldingen van 2943 bij 1435 pixels in de dataset werden voorafgaand aan de training verkleind tot 971 bij 474 pixels. Alle gebruikte OPG-afbeeldingen bevatten het volledige gebit. De trainings- en testgegevenssets werden gebruikt om gewichtsfactoren te schatten en te genereren voor het optimale CNN-algoritme. Een willekeurige volgorde werd gegenereerd met behulp van open-source Python-programmering (Python 3.6.1, Python Software Foundation, Wilmington, DE, VS, https://www.python.org/) taal en OpenCV-, NumPy-, Panda's- en Matplotlib-bibliotheken. In deze studie werd Tensorflow voor modelontwikkeling gebruikt om ondergedompelde melkmolaren te classificeren. InceptionV3-architectuur werd gebruikt als overdrachtsleren en de overdrachtswaarden werden in de cache opgeslagen. Vervolgens werden volledig verbonden laag- en softmax-classificatoren gecombineerd om de uiteindelijke modellagen te vormen. De training werd uitgevoerd met behulp van 7000 stappen met 16G RAM en een pc uitgerust met NVIDIA GeForce GTX 1050.
Studietype
Inschrijving (Werkelijk)
Contacten en locaties
Studie Locaties
-
-
-
Eskisehir, Kalkoen, 26040
- Seçil Çalışkan
-
-
Deelname Criteria
Geschiktheidscriteria
Leeftijden die in aanmerking komen voor studie
Accepteert gezonde vrijwilligers
Geslachten die in aanmerking komen voor studie
Bemonsteringsmethode
Studie Bevolking
Beschrijving
Inclusiecriteria:
Uitsluitingscriteria:
OPG-beelden van slechte kwaliteit (metaalartefacten, artefacten als gevolg van positiefouten tijdens het fotograferen, enz.) werden uitgesloten.
Studie plan
Hoe is de studie opgezet?
Ontwerpdetails
Wat meet het onderzoek?
Primaire uitkomstmaten
Uitkomstmaat |
Maatregel Beschrijving |
Tijdsspanne |
|---|---|---|
|
Detectie van ondergedompelde tanden
Tijdsspanne: 6 maanden
|
De detectiemodule, die is gebaseerd op de ultramoderne Faster R-CNN-architectuur, verwerkte de röntgenfoto om de grenzen van ondergedompelde kiezen te definiëren.
|
6 maanden
|
Medewerkers en onderzoekers
Sponsor
Studie record data
Bestudeer belangrijke data
Studie start (Werkelijk)
Primaire voltooiing (Werkelijk)
Studie voltooiing (Werkelijk)
Studieregistratiedata
Eerst ingediend
Eerst ingediend dat voldeed aan de QC-criteria
Eerst geplaatst (Werkelijk)
Updates van studierecords
Laatste update geplaatst (Werkelijk)
Laatste update ingediend die voldeed aan QC-criteria
Laatst geverifieerd
Meer informatie
Termen gerelateerd aan deze studie
Andere studie-ID-nummers
- E86412-49
Plan Individuele Deelnemersgegevens (IPD)
Bent u van plan om gegevens van individuele deelnemers (IPD) te delen?
Informatie over medicijnen en apparaten, studiedocumenten
Bestudeert een door de Amerikaanse FDA gereguleerd geneesmiddel
Bestudeert een door de Amerikaanse FDA gereguleerd apparaatproduct
Deze informatie is zonder wijzigingen rechtstreeks van de website clinicaltrials.gov gehaald. Als u verzoeken heeft om uw onderzoeksgegevens te wijzigen, te verwijderen of bij te werken, neem dan contact op met register@clinicaltrials.gov. Zodra er een wijziging wordt doorgevoerd op clinicaltrials.gov, wordt deze ook automatisch bijgewerkt op onze website .