Análisis comparativo de arquitecturas de aprendizaje profundo para la segmentación automática de dientes en...

Área de la Ciencia:

• Inteligencia Artificial en Imagenología Médica
• Aprendizaje Profundo para Análisis de Imágenes Médicas
• Radiografía Dental y Diagnóstico

Sus antecedentes:

• La segmentación automática de dientes en radiografías dentales panorámicas es crucial para la precisión diagnóstica.
• La evaluación de modelos de aprendizaje profundo basados en U-Net con varios codificadores de base es esencial para optimizar el rendimiento y la eficiencia.

Objetivo del estudio:

• Evaluar sistemáticamente los modelos de aprendizaje profundo U-Net para la segmentación automática de dientes en radiografías dentales panorámicas.
• Analizar la compensación entre la precisión de la segmentación y el costo computacional en diferentes codificadores de base (ResNet, EfficientNet, DenseNet, MobileNetV3-Small).

Principales métodos:

• Se evaluaron modelos U-Net con familias de codificadores preentrenadas en ImageNet en la Tufts Dental Database (1000 imágenes).
• Se empleó una estrategia de validación cruzada de cinco veces.
• El rendimiento de la segmentación se midió utilizando el coeficiente Dice y la Intersección sobre Unión (IoU); la eficiencia computacional se evaluó por el recuento de parámetros y GFLOPs.

Principales resultados:

• La calidad general de la segmentación fue alta (Dice: 0.9168-0.9259), con rendimientos decrecientes para una mayor complejidad de la columna vertebral.
• EfficientNet-B0 logró un equilibrio casi óptimo de alta precisión (Dice: 0.9244 ± 0.0011) y bajo costo computacional (5.98 GFLOPs).
• Si bien EfficientNet-B7 tuvo la precisión nominal más alta, las diferencias no fueron estadísticamente significativas en comparación con EfficientNet-B0 y B4.

Conclusiones:

• Los modelos de aprendizaje profundo más grandes no producen consistentemente un rendimiento superior para la segmentación de dientes.
• EfficientNet-B0 se identifica como el modelo más práctico, que ofrece una precisión casi saturada con una reducción significativa del tamaño del modelo y las demandas computacionales.
• Los hallazgos resaltan la importancia de seleccionar modelos computacionalmente eficientes sin comprometer la precisión diagnóstica en aplicaciones de imagenología dental.