Detección de lesiones de mandíbula en radiografías panorámicas utilizando el método de aprendizaje profundo

Área de la Ciencia:

• Radiología
• Inteligencia artificial
• Imágenes médicas

Sus antecedentes:

• Las lesiones de la mandíbula, tanto radiolucentes como opacas, requieren una detección precisa en las radiografías panorámicas.
• Los modelos de aprendizaje profundo ofrecen potencial para mejorar la precisión del diagnóstico en radiología dental.

Objetivo del estudio:

• Evaluar y comparar modelos de aprendizaje profundo de última generación para la detección y segmentación de lesiones en la mandíbula.
• Evaluar el rendimiento del modelo en diferentes escenarios de formación, incluida la localización espacial.

Principales métodos:

• Colección retrospectiva de 2371 radiografías panorámicas anónimas con lesiones en la mandíbula.
• Formación y evaluación de los modelos YOLOv8, YOLOv11, Mask R-CNN y RT-DETR.
• Evaluación del rendimiento utilizando la precisión, el recuerdo, la puntuación F1 y la precisión media (mAP).

Principales resultados:

• YOLOv11x-seg y YOLOv8x-seg mostraron un alto rendimiento de segmentación en el escenario I.
• RT-DETR-L demostró un rendimiento de detección superior, especialmente en el escenario III con localización espacial.
• Los modelos de aprendizaje profundo mostraron potencial para la detección y segmentación efectivas de lesiones.

Conclusiones:

• Los modelos de aprendizaje profundo pueden detectar y segmentar efectivamente las lesiones de la mandíbula en las radiografías panorámicas.
• RT-DETR-L muestra un gran potencial, especialmente cuando se entrena con datos de localización espacial.
• Los modelos se recomiendan como herramientas de apoyo a la toma de decisiones clínicas, no como sistemas de diagnóstico independientes.