En dyp læringsmetode for klassifisering og deteksjon av nedsenkede tenner
En dyp læringsmetode til klassifisering og deteksjon av nedsenkede melketenner
Mål: Studien hadde som mål å sammenligne suksessen og påliteligheten til en kunstig intelligens-applikasjon i deteksjon og klassifisering av nedsenkede tenner i ortopantomografi (OPG).
Metoder: Konvolusjonelle nevrale nettverk (CNN) algoritmer ble brukt for å oppdage og klassifisere nedsenkede molarer. Deteksjonsmodulen, som er basert på den toppmoderne Faster R-CNN-arkitekturen, behandlet røntgenbildet for å definere grensene for nedsenkede jeksler. Et eget testsett ble brukt for å evaluere den diagnostiske ytelsen til systemet og sammenligne det med ekspertnivået.
Resultater: Suksessraten for klassifisering og identifikasjon av systemet er høy når det evalueres i henhold til referansestandarden. Systemet var ekstremt nøyaktig i ytelsessammenligning med observatører.
Konklusjoner: Ytelsen til den foreslåtte datastøttede diagnoseløsningen er sammenlignbar med den til eksperter. Det er nyttig å diagnostisere neddykkede molarer med en kunstig intelligens-applikasjon for å forhindre feil. Dessuten vil det lette pediatriske tannlegers diagnoser.
Studieoversikt
Status
Forhold
Intervensjon / Behandling
Detaljert beskrivelse
Forbehandling, opplæring og klassifisering Studien ble utført med balanserte datasett. Kasus- og kontrolldatasettene ble tilfeldig delt inn i to deler, treningsgruppen (27 case-grupper/27 kontrollgruppe) og testgruppen (10 case-grupper/10 kontrollgruppe) for å forhindre bruk av det visuelle i treningsgruppen for retesting. Testdatasettet ble ikke sett av systemet under opplæringsfasen.
Alle 2943 x 1435 piksler i datasettet ble endret til 971 x 474 piksler før trening. Alle OPG-bilder som brukes inkluderer hele tannsett. Trenings- og testdatasettene ble brukt til å estimere og generere vektfaktorer for den optimale CNN-algoritmen. En vilkårlig sekvens ble generert ved bruk av åpen kildekode Python-programmering (Python 3.6.1, Python Software Foundation, Wilmington, DE, USA, https://www.python.org/) språk og OpenCV, NumPy, Pandas og Matplotlib-biblioteker. I denne studien ble Tensorflow for modellutvikling brukt til å klassifisere nedsenkede primære molarer. InceptionV3-arkitektur ble brukt som overføringslæring, og overføringsverdiene ble lagret i cachen. Deretter ble fullt tilkoblede lag- og softmax-klassifiserere kombinert for å danne de endelige modelllagene. Treningen ble gjennomført ved hjelp av 7000 trinn med 16G RAM og en PC utstyrt med NVIDIA GeForce GTX 1050.
Studietype
Registrering (Faktiske)
Kontakter og plasseringer
Studiesteder
-
-
-
Eskisehir, Tyrkia, 26040
- Seçil Çalışkan
-
-
Deltakelseskriterier
Kvalifikasjonskriterier
Alder som er kvalifisert for studier
Tar imot friske frivillige
Kjønn som er kvalifisert for studier
Prøvetakingsmetode
Studiepopulasjon
Beskrivelse
Inklusjonskriterier:
Ekskluderingskriterier:
OPG-bilder av dårlig kvalitet (metallartefakter, gjenstander på grunn av posisjonsfeil under opptak osv.) ble ekskludert.
Studieplan
Hvordan er studiet utformet?
Designdetaljer
Hva måler studien?
Primære resultatmål
Resultatmål |
Tiltaksbeskrivelse |
Tidsramme |
|---|---|---|
|
Deteksjon av nedsenket tann
Tidsramme: 6 måneder
|
Deteksjonsmodulen, som er basert på den toppmoderne Faster R-CNN-arkitekturen, behandlet røntgenbildet for å definere grensene for nedsenkede jeksler.
|
6 måneder
|
Samarbeidspartnere og etterforskere
Sponsor
Studierekorddatoer
Studer hoveddatoer
Studiestart (Faktiske)
Primær fullføring (Faktiske)
Studiet fullført (Faktiske)
Datoer for studieregistrering
Først innsendt
Først innsendt som oppfylte QC-kriteriene
Først lagt ut (Faktiske)
Oppdateringer av studieposter
Sist oppdatering lagt ut (Faktiske)
Siste oppdatering sendt inn som oppfylte QC-kriteriene
Sist bekreftet
Mer informasjon
Begreper knyttet til denne studien
Nøkkelord
Andre studie-ID-numre
- E86412-49
Plan for individuelle deltakerdata (IPD)
Planlegger du å dele individuelle deltakerdata (IPD)?
Legemiddel- og utstyrsinformasjon, studiedokumenter
Studerer et amerikansk FDA-regulert medikamentprodukt
Studerer et amerikansk FDA-regulert enhetsprodukt
Denne informasjonen ble hentet direkte fra nettstedet clinicaltrials.gov uten noen endringer. Hvis du har noen forespørsler om å endre, fjerne eller oppdatere studiedetaljene dine, vennligst kontakt register@clinicaltrials.gov. Så snart en endring er implementert på clinicaltrials.gov, vil denne også bli oppdatert automatisk på nettstedet vårt. .