Desarrollo y evaluación de un modelo U-net de atención para la segmentación binaria de los dientes frente al fondo en...

Área de la Ciencia:

• Inteligencia artificial en odontología.
• Análisis de imágenes médicas Análisis de imágenes médicas
• Aprendizaje profundo para imágenes médicas.

Sus antecedentes:

• Las radiografías panorámicas (OPG) son vitales para la evaluación de la ortodoncia.
• La segmentación dental precisa en las OPG es crucial para el diagnóstico automatizado y la planificación del tratamiento.
• Los puntos de referencia estandarizados para el análisis de imágenes dentales basado en el aprendizaje profundo son limitados.

Objetivo del estudio:

• Establecer un punto de referencia de rendimiento para la segmentación semántica binaria del diente frente al fondo en OPGs.
• Aplicar una arquitectura U-Net (Att-U-Net) enfocada a la atención para esta tarea de segmentación.
• Proporcionar una base para aplicaciones avanzadas de IA en ortodoncia.

Principales métodos:

• Utilizó un modelo Att-U-Net en el conjunto de datos "Segmentación de dientes en imágenes de rayos X dentales" (598 OPG).
• Muestreo estratificado de empleados para los conjuntos de capacitación (70%), validación (10%) y pruebas (20%).
• Entrenado con una función binaria combinada de entropía cruzada y pérdida de dados para manejar el desequilibrio de clase.

Principales resultados:

• Se logró un coeficiente de dados de 0,911, un promedio de IoU de 0,838 y una precisión de píxeles de 0,974 en el conjunto de prueba.
• Se ha demostrado una convergencia estable y un rendimiento mejorado en casos de segmentación desafiantes.
• Tiempos de inferencia rápidos y estables exhibidos con máscaras de segmentación visualmente precisas.

Conclusiones:

• El modelo Att-U-Net proporciona una segmentación dental robusta y confiable en las OPG.
• El alto rendimiento cuantitativo y cualitativo apoya su utilidad en las revisiones de calidad de OPG.
• Este trabajo sienta las bases para tareas de segmentación más complejas y sistemas de diagnóstico automatizado mejorados en ortodoncia.