Segmentação automática da placa dentária com base em aprendizado profundo

• Autor(a) principal: Andrade, Katia Montanha de
• Data de Publicação: 2022
• Tipo de documento: Tese
• Idioma: por
• Título da fonte: Repositório Institucional da UFBA
• Texto Completo: https://repositorio.ufba.br/handle/ri/36801
• topic: CNPQ::CIENCIAS DA SAUDE::ODONTOLOGIA; Biofilme dental; Aprendizado profundo; Redes neurais convolucionais; Inteligência artificial; Dental biofilm; Deep learning; Convolutional neural networks; Artificial intelligence

O biofilme da placa dentária é o principal fator etiológico para cárie dentária e doenças periodontais. No entanto, sua visualização é difícil e o uso de agentes evidenciadores é um processo trabalhoso e desagradável. Por isso, a identificação de placa através de um processo automático é importante. Esta pesquisa teve como objetivo aplicar um modelo de Convolution Neural Network (CNN) para segmentar a placa dentária em fotografias digitais intraorais sem o uso de evidenciadores. O conjunto de dados usado para avaliação do sistema proposto incluiu 480 fotos nas vistas laterais e frontal de dentições permanente e decídua, contemplando a presença e ausência de aparelhos ortodônticos. As fotografias foram divididas em três subconjuntos: 360 imagens foram usadas para treinamento; 60 fotos foram usadas para validação; e 60 fotos foram usadas para teste. Todas as imagens foram rotuladas por um dentista especialista com mais de 30 anos de experiência. A arquitetura U-Net foi utilizada para segmentação nas imagens. As métricas de acurácia, sensibilidade, especificidade e F1 score foram usadas para avaliar o desempenho do modelo em cada unidade dentária. O modelo treinado obteve 91.8% de acurácia, 67.2% de sensibilidade, 94.4% de especificidade e 60.6% de F1 score. Essas métricas foram escolhidas pela sua fácil interpretabilidade (acurácia), uso em áreas da saúde (sensibilidade e especificidade) e por ponderar classes desbalanceadas (F1 score). Maior fração de placa foi observada nas imagens em vista lateral, bem como nas imagens com aparelhos ortodônticos. Essas imagens também exibiram maiores F1 score (61,7% e 61,5%, respectivamente) e especificidade (94,5% e 95,6%, respectivamente). Em conclusão, um método de aprendizado profundo para segmentação do biofilme dentário nas dentições permanente e decídua é viável e pode ser utilizado por e pacientes, melhorando a higiene e a saúde bucal.