Sistema de apoyo diagnóstico periodontal con deep learning para las clínicas odontológicas de la Universidad Santo Tomás, 2020: Fase I - Insumos y criterios radiográficos
Date
2020-07-02Dominio
https://www.ustabuca.edu.co/Share
Metadata
Show full item recordCollections
Cita
Abstract
El diagnóstico de la periodontitis genera diversidad de criterios que puede llevar a que la decisión del clínico sea subjetiva. El Deep learning como aprendizaje automático es una herramienta computarizada que permiten el manejo de la información en forma veraz rápida y oportuna, además de contar con un alto grado de confiabilidad y precisión, aportando nuevas perspectivas para el diagnóstico, pronostico y la planificación del tratamiento. Desarrollar un sistema para la interpretación radiográfica periapical digitalizada como apoyo al diagnóstico periodontal basado en Deep Learning: Fase I Criterios e insumos radiográficos. La población de estudio conformada por una totalidad de 727 imágenes diagnósticas digitalizadas (radiografías periapicales) almacenadas en centro radiológico de la USTA en los años 2019-2020. Criterios de exclusión: Imágenes radiográficas periapicales elongadas, espacios alveolares que albergan implantes. 727 imágenes extraídas, correspondieron a 72 sujetos, 45 mujeres (62 %) y 27 hombres (38%), El promedio de dientes aportados por persona fue de 24,5 ± 4,4 dientes, de otro lado, la media de pérdida dental fue de 7,3± 3,3 dientes. Las métricas obtenidas son similares a otros estudios, encontramos así, que los insumos generados en la Fase I son correctos para el uso en la Fase II, es decir, para dar continuidad, para lo cual solo se tienen las observaciones generadas en el balance poblacional (en términos de distribución por sexo) y en el tamaño de la muestra (en términos imágenes radiográficas). Este sistema de red neuronal está desarrollado para identificar dientes en su fase inicial y será de gran ayuda al clínico, pudiendo procesar gran número de imágenes con los criterios específicos apoyando en el diagnóstico de manera eficiente.
Abstract
The diagnosis of periodontitis generates a variety of criteria that can lead to the clinician's decision being subjective. Deep learning as machine learning is a computerized tool that allows the information to be handled truthfully, quickly and in a timely manner, in addition to having a high degree of reliability and precision, providing new perspectives for diagnosis, prognosis and treatment planning. To develop a system for digitized periapical radiographic interpretation to support periodontal diagnosis based on Deep Learning: Phase I Radiographic criteria and supplies. The study population made up of a total of 727 digitized diagnostic images (periapical radiographs) stored in the USTA radiological center in the years 2019-2020. Exclusion criteria: Elongated periapical radiographic images, alveolar spaces that house implants. 727 images extracted corresponded to 72 subjects, 45 women (62%) and 27 men (38%). The average number of teeth contributed per person was 24.5 ± 4.4 teeth, on the other hand, the mean of dental loss was 7.3 ± 3.3 teeth. The metrics obtained are similar to other studies, thus we found that the inputs generated in Phase I are correct for use in Phase II, that is, to give continuity, for which only the observations generated in the population balance (in terms of sex distribution) and in the sample size (in terms of radiographic images). This neural network system is developed to identify teeth in their initial phase and will be of great help to the clinician, being able to process many images with specific criteria, supporting the diagnosis efficiently.
PDF Documents
xmlui.custom.comments.form-panel-heading
The following license files are associated with this item:
Except where otherwise noted, this item's license is described as Atribución-SinDerivadas 2.5 Colombia
Indexado por:
