Detección de dientes fracturados basada en aprendizaje profundo en radiografías oclusales

Área de la Ciencia:

• Diagnóstico dental
• Inteligencia artificial en medicina
• Análisis de imágenes médicas

Sus antecedentes:

• El diagnóstico preciso y rápido de dientes fracturados es crucial en odontología.
• Las técnicas de aprendizaje profundo (DL) prometen mejorar la precisión y eficiencia diagnóstica.

Objetivo del estudio:

• Desarrollar y evaluar un marco basado en DL para la detección y clasificación automatizada de dientes fracturados utilizando radiografía oclusal (OR).
• Evaluar el rendimiento de varias arquitecturas de redes neuronales convolucionales (CNN) y una estrategia de fusión por votación mayoritaria.

Principales métodos:

• Se curó un conjunto de datos de 200 OR para los dientes 11 y 21.
• Los dientes se detectaron automáticamente utilizando un marco YOLOv9.
• Se clasificaron imágenes dentales recortadas utilizando las redes VGG19, EfficientNetB0, InceptionResNetV2 e InceptionV3.
• Se utilizó un enfoque de votación mayoritaria para fusionar los resultados de la clasificación.

Principales resultados:

• El detector YOLOv9 logró una alta precisión (mAP50: 99,5%).
• Las CNN individuales lograron tasas de precisión entre 84,67% y 87,94%.
• La fusión por votación mayoritaria mejoró la precisión de la clasificación al 91,94%.

Conclusiones:

• El método DL propuesto detecta eficazmente dientes fracturados a partir de imágenes OR.
• Este marco es pionero en la integración de la IA en el diagnóstico dental, mejorando la toma de decisiones clínicas.