Podejście głębokiego uczenia się do klasyfikacji i wykrywania zanurzonych zębów
Podejście głębokiego uczenia się do klasyfikacji i wykrywania zanurzonych zębów mlecznych
Cele: Badanie miało na celu porównanie skuteczności i niezawodności zastosowania sztucznej inteligencji w wykrywaniu i klasyfikacji zębów zanurzonych w pantomografii ortopantomograficznej (OPG).
Metody: Algorytmy konwolucyjnych sieci neuronowych (CNN) zastosowano do wykrywania i klasyfikacji zanurzonych zębów trzonowych. Moduł detekcyjny, oparty na najnowocześniejszej architekturze Faster R-CNN, przetwarzał radiogram w celu określenia granic zanurzonych zębów trzonowych. Do oceny działania diagnostycznego systemu i porównania go z poziomem eksperckim wykorzystano oddzielny zestaw testowy.
Wyniki: Wskaźnik powodzenia klasyfikacji i identyfikacji systemu jest wysoki, gdy ocenia się go zgodnie z normą referencyjną. System był niezwykle dokładny w porównaniu wydajności z obserwatorami.
Wnioski: Wydajność proponowanego rozwiązania do diagnostyki komputerowej jest porównywalna z wydajnością ekspertów. Przydatne jest diagnozowanie zanurzonych zębów trzonowych za pomocą aplikacji sztucznej inteligencji, aby zapobiec błędom. Ułatwi również diagnostykę dentystom dziecięcym.
Przegląd badań
Status
Interwencja / Leczenie
Szczegółowy opis
Wstępne przetwarzanie, trenowanie i klasyfikacja Badanie przeprowadzono ze zrównoważonymi zbiorami danych. Zestawy danych przypadków i kontroli zostały losowo podzielone na dwie części, grupę szkoleniową (grupa 27 przypadków/27 grupa kontrolna) i grupę testową (grupa 10 przypadków/10 grupa kontrolna), aby zapobiec wykorzystaniu wizualizacji w grupie szkoleniowej do ponowne testowanie. Zestaw danych testowych nie był widziany przez system podczas fazy uczenia.
Wszystkie obrazy o wymiarach 2943 na 1435 pikseli w zbiorze danych zostały przed szkoleniem zmienione na 971 na 474 piksele. Wszystkie użyte obrazy OPG obejmują całe uzębienie. Zestawy danych treningowych i testowych wykorzystano do oszacowania i wygenerowania współczynników wagowych dla optymalnego algorytmu CNN. Dowolna sekwencja została wygenerowana przy użyciu programowania w języku Python z otwartym kodem źródłowym (Python 3.6.1, Python Software Foundation, Wilmington, DE, USA, https://www.python.org/) język i biblioteki OpenCV, NumPy, Pandas i Matplotlib. W tym badaniu Tensorflow do opracowania modelu został wykorzystany do klasyfikacji zanurzonych mlecznych zębów trzonowych. Architektura InceptionV3 została wykorzystana do nauki transferu, a wartości transferu zostały zapisane w pamięci podręcznej. Następnie połączono w pełni połączone klasyfikatory warstwy i softmax, aby utworzyć ostateczne warstwy modelu. Trening został przeprowadzony przy użyciu 7000 kroków z 16G RAM i komputerem wyposażonym w NVIDIA GeForce GTX 1050.
Typ studiów
Zapisy (Rzeczywisty)
Kontakty i lokalizacje
Lokalizacje studiów
-
-
-
Eskisehir, Indyk, 26040
- Seçil Çalışkan
-
-
Kryteria uczestnictwa
Kryteria kwalifikacji
Wiek uprawniający do nauki
Akceptuje zdrowych ochotników
Płeć kwalifikująca się do nauki
Metoda próbkowania
Badana populacja
Opis
Kryteria przyjęcia:
Kryteria wyłączenia:
Obrazy OPG niskiej jakości (metalowe artefakty, artefakty spowodowane błędami pozycji podczas fotografowania itp.) zostały wykluczone.
Plan studiów
Jak projektuje się badanie?
Szczegóły projektu
Co mierzy badanie?
Podstawowe miary wyniku
Miara wyniku |
Opis środka |
Ramy czasowe |
|---|---|---|
|
Wykrywanie zanurzonego zęba
Ramy czasowe: 6 miesięcy
|
Moduł detekcyjny, oparty na najnowocześniejszej architekturze Faster R-CNN, przetwarzał radiogram w celu określenia granic zanurzonych zębów trzonowych.
|
6 miesięcy
|
Współpracownicy i badacze
Sponsor
Daty zapisu na studia
Główne daty studiów
Rozpoczęcie studiów (Rzeczywisty)
Zakończenie podstawowe (Rzeczywisty)
Ukończenie studiów (Rzeczywisty)
Daty rejestracji na studia
Pierwszy przesłany
Pierwszy przesłany, który spełnia kryteria kontroli jakości
Pierwszy wysłany (Rzeczywisty)
Aktualizacje rekordów badań
Ostatnia wysłana aktualizacja (Rzeczywisty)
Ostatnia przesłana aktualizacja, która spełniała kryteria kontroli jakości
Ostatnia weryfikacja
Więcej informacji
Terminy związane z tym badaniem
Słowa kluczowe
Inne numery identyfikacyjne badania
- E86412-49
Plan dla danych uczestnika indywidualnego (IPD)
Planujesz udostępniać dane poszczególnych uczestników (IPD)?
Informacje o lekach i urządzeniach, dokumenty badawcze
Bada produkt leczniczy regulowany przez amerykańską FDA
Bada produkt urządzenia regulowany przez amerykańską FDA
Te informacje zostały pobrane bezpośrednio ze strony internetowej clinicaltrials.gov bez żadnych zmian. Jeśli chcesz zmienić, usunąć lub zaktualizować dane swojego badania, skontaktuj się z register@clinicaltrials.gov. Gdy tylko zmiana zostanie wprowadzona na stronie clinicaltrials.gov, zostanie ona automatycznie zaktualizowana również na naszej stronie internetowej .