Mejora de la calidad diagnóstica en radiografías de aleta de mordida mediante restauración de imágenes basada en...

Área de la Ciencia:

• Odontología
• Inteligencia artificial
• Imágenes médicas

Sus antecedentes:

• Las radiografías de aleta de mordida son cruciales para detectar caries interproximales y evaluar los niveles de hueso alveolar.
• La compresión de imágenes y las limitaciones del sensor pueden degradar la calidad de la radiografía, afectando el valor diagnóstico.

Objetivo del estudio:

• Evaluar la eficacia de dos métodos de aprendizaje profundo, Real-ESRGAN y SwinIR, en la reconstrucción de detalles de radiografías de aleta de mordida degradadas.
• Comparar la utilidad diagnóstica de las imágenes restauradas por estos modelos avanzados de IA.

Principales métodos:

• Se utilizó un conjunto de datos de 4.004 radiografías de aleta de mordida de alta calidad, creando imágenes pareadas de baja y alta resolución.
• Se ajustaron y aplicaron los modelos Real-ESRGAN y SwinIR para reconstruir imágenes degradadas.
• La calidad de la imagen se evaluó cuantitativamente (PSNR, SSIM) y cualitativamente por un panel de dentistas.

Principales resultados:

• SwinIR logró puntuaciones cuantitativas superiores (PSNR: 35,56 dB, SSIM: 0,9287) en comparación con Real-ESRGAN (PSNR: 31,93 dB, SSIM: 0,8227).
• Los dentistas prefirieron SwinIR por preservar estructuras diagnósticas como los márgenes de los dientes y los patrones trabeculares.
• Se observó que Real-ESRGAN ofrecía realismo perceptual pero menos preservación de detalles diagnósticos.

Conclusiones:

• El modelo SwinIR demostró un rendimiento superior en la preservación de estructuras clínicamente significativas en radiografías de aleta de mordida.
• SwinIR es el método de aprendizaje profundo preferido para mejorar las radiografías de aleta de mordida cuando la precisión diagnóstica es primordial.