Transferir el aprendizaje de la micro-CT a las radiografías periapical para la identificación morfológica...

Área de la Ciencia:

• Imágenes dentales y diagnóstico dental.
• Aprendizaje automático en medicina.
• Radiología y Anatomía.

Sus antecedentes:

• La identificación precisa de la morfología del conducto radicular es crucial para el éxito del tratamiento endodóntico.
• Los métodos actuales para analizar la anatomía del conducto radicular se basan en radiografías 2D, que pueden limitar la visualización de estructuras 3D complejas.
• El aprendizaje de transferencia multimodal ofrece una solución potencial para mejorar las capacidades de diagnóstico mediante la integración de datos de diferentes modalidades de imagen.

Objetivo del estudio:

• Para investigar la transferencia de las características anatómicas implícitas de la tomografía microcomputada (micro-CT) a las radiografías periapical.
• Evaluar la efectividad del aprendizaje de transferencia multimodal para la identificación 3D de la morfología del canal radicular.
• Para evaluar el impacto de la complejidad de la tarea en el rendimiento de los modelos de transferencia de aprendizaje.

Principales métodos:

• Se escanearon los segundos molares mandibulares de raíz fusionada (MSM) utilizando micro-CT para crear radiografías virtuales.
• Las radiografías periapicas simuladas clínicamente (CSPR) se generaron a partir de mandíbulas ex vivo.
• Cuatro arquitecturas de redes neuronales convolucionales (CNN) fueron entrenadas utilizando diferentes estrategias de pre-entrenamiento, incluyendo modelos pre-entrenados en ImageNet y radiografías virtuales.
• La visualización Grad-CAM se empleó para interpretar la atención del modelo, y los resultados se compararon con el rendimiento de los residentes endodónticos.

Principales resultados:

• Los CNN pre-entrenados en radiografías virtuales lograron una mayor precisión (69.68%) en una tarea de clasificación de tres clases en comparación con los modelos pre-entrenados con ImageNet (64.36%) y los residentes endodónticos (61.17%).
• El análisis Grad-CAM mostró que los modelos preentrenados con radiografía virtual se centraron en las estructuras raíz relevantes, a diferencia de los modelos preentrenados con ImageNet.
• En una tarea simplificada de dos clases, las diferencias de rendimiento entre los métodos no fueron estadísticamente significativas, lo que sugiere que los beneficios de transferencia de aprendizaje son mayores para tareas complejas.

Conclusiones:

• Las características 3D implícitas de las radiografías virtuales micro-CT pueden transferirse efectivamente a los CSPR a través del aprendizaje de transferencia.
• Este enfoque mejora la interpretabilidad de la CNN y la precisión del diagnóstico para la identificación de la morfología del conducto radicular.
• La eficacia del aprendizaje de transferencia multimodal es más pronunciada en tareas de clasificación complejas y de varias clases, proporcionando una base para su aplicación en imágenes dentales clínicas.