Aprendizaje Profundo Multi-Arquitectura para la Segmentación por CBCT de Tejidos Dentales Duros y Pulpa en Dentición...

Área de la Ciencia:

• Utiliza arquitecturas avanzadas de aprendizaje profundo, incluidas redes neuronales convolucionales (CNN), Transformers y Mamba, para un análisis sofisticado de imágenes en odontología.

Sus antecedentes:

• El análisis pediátrico por Tomografía Computarizada de Haz Cónico (CBCT) requiere una segmentación precisa de las estructuras dentales, lo cual es un proceso que consume tiempo y depende del operador.
• La dentición mixta presenta desafíos únicos debido a la presencia de dientes primarios y permanentes en desarrollo.

Objetivo del estudio:

• Desarrollar y evaluar modelos 3D basados en aprendizaje profundo para la segmentación automatizada de estructuras de pulpa, dientes primarios y permanentes en TC de haz cónico pediátricas.
• Comparar el rendimiento de diferentes arquitecturas de aprendizaje profundo (CNN, Transformer, Mamba) para esta tarea de segmentación.

Principales métodos:

• Se analizaron 151 TC de haz cónico (105 internas, 46 externas) con datos anotados por expertos para entrenamiento, validación y prueba.
• Se entrenaron modelos multitarea totalmente supervisados para segmentar estructuras de pulpa y tejido duro en seis arquitecturas diferentes.
• Se evaluaron los modelos utilizando métricas como el Coeficiente de Similitud de Dice (DSC), la Intersección sobre Unión (IoU) y la distancia de Hausdorff (HD95).

Principales resultados:

• El modelo nnU-Net ResEncM demostró la mayor precisión en la segmentación de dientes permanentes (DSC > 0.98) y estructuras generales.
• La segmentación de dientes primarios fue menos precisa, especialmente en niños mayores (10-13 años), pero aun así mostró un rendimiento adecuado.
• Las arquitecturas U-Mamba Bot y U-Mamba Enc mostraron ser prometedoras, particularmente para la segmentación de pulpa y dientes primarios, respectivamente.

Conclusiones:

• Los modelos de aprendizaje profundo, especialmente nnU-Net ResEncM, ofrecen un enfoque factible y preciso para la segmentación automatizada de estructuras dentales en TC de haz cónico pediátricas.
• La segmentación automatizada puede optimizar significativamente la evaluación por CBCT, mejorando la eficiencia del flujo de trabajo para el manejo de la dentición en desarrollo y casos complejos.
• El estudio proporciona un marco para el análisis asistido por IA en la imagenología dental pediátrica, abarcando diversas etapas de dentición y anomalías.