Uma Abordagem de Deep Learning para Classificação e Detecção de Dentes Submersos

Pré-processamento, treinamento e classificação O estudo foi conduzido com conjuntos de dados balanceados. Os conjuntos de dados de caso e controle foram divididos aleatoriamente em duas partes, o grupo de treinamento (27 grupos de casos/27 grupos de controle) e o grupo de teste (10 grupos de casos/10 grupos de controle) para evitar o uso de recursos visuais no grupo de treinamento para retestando. O conjunto de dados de teste não foi visto pelo sistema durante a fase de treinamento.

Todas as imagens de 2943 por 1435 pixels no conjunto de dados foram redimensionadas para 971 por 474 pixels antes do treinamento. Todas as imagens OPG usadas incluem todas as dentições. Os conjuntos de dados de treinamento e teste foram usados ​​para estimar e gerar fatores de peso para o algoritmo CNN ideal. Uma sequência arbitrária foi gerada usando programação Python de código aberto (Python 3.6.1, Python Software Foundation, Wilmington, DE, EUA, https://www.python.org/) language e bibliotecas OpenCV, NumPy, Pandas e Matplotlib. Neste estudo, o Tensorflow para o desenvolvimento do modelo foi usado para classificar os molares decíduos submersos. A arquitetura InceptionV3 foi usada como aprendizado de transferência e os valores de transferência foram salvos no cache. Em seguida, a camada totalmente conectada e os classificadores softmax foram combinados para formar as camadas finais do modelo. O treinamento foi realizado usando 7000 etapas com 16G RAM e um PC equipado com NVIDIA GeForce GTX 1050.