مجله دندانپزشکی

Mendeley  

Zotero  

Mesvari M, Akhoondzadeh Hanzaie M. Identification of dental conditions in panoramic radiographs using a deep learning algorithm. J Dent Med-tums 2026; 39 : 30
URL: http://jdm.tums.ac.ir/article-1-6409-fa.html

زمینه و هدف‌: تصاویر رادیوگرافی پانورامیک به طور گسترده برای ارزیابی وضعیت‌های دندانی استفاده می‌شوند، اما تفسیر دستی آن‌ها زمان‌بر و وابسته به تجربه بالینی است. این پژوهش با هدف توسعه یک چارچوب یادگیری عمیق مبتنی بر U-Net برای قطعه‌ بندی خودکار چهار وضعیت دندانی شامل پوسیدگی دندان، ترمیم‌های دندانی، دندان‌های تحت درمان ریشه و دندان‌های مولر سوم نهفته انجام شد.
روش بررسی: این پژوهش از نوع توسعه یک مدل کاربردی بود که در سال 1400 توسط پژوهشگران دانشگاه تهران انجام شد. تصاویر پانورامیک از منابع عمومی در دسترس گردآوری شدند. دو دندانپزشک به طور مشارکتی فرایند برچسب ‌گذاری و تعیین کلاس هدف شامل چهار وضعیت دندانی شامل پوسیدگی، پرکردگی، درمان ریشه و دندان عقل نهفته را انجام دادند. برای جلوگیری از data leakage، ابتدا 10 درصد از مجموعه داده به عنوان مجموعه آزمایشی از کل داده‌ها جدا شد و سپس فرایند افزایش داده صرفاً بر روی مجموعه آموزش و اعتبارسنجی انجام گرفت. پس از افزایش داده، مجموعه داده با نسبت 80 به 20 درصد به ترتیب به داده‌های آموزشی و اعتبارسنجی افراز گردید. مدل U-Net اصلاح شده بر روی تصاویر پیش پردازش شده 512×512 آموزش داده شد و عملکرد آن با معیارهای با استفاده از معیارهای حساسیت (Recall)، دقت مثبت  (Precision)، امتیاز F1 و صحت  (Accuracy)ارزیابی شد.
یافته‌‌ها: مدل پیشنهادی در هر چهار وضعیت دندانی عملکرد امیدوار کننده‌ای نشان داد. با توجه به نامتوازن بودن نسبی داده‌ها، معیار اصلی تفسیر عملکرد مدل F1-score در نظر گرفته شد، به ‌طوری‌که مقادیر آن برای پوسیدگی، پرکردگی، دندان عقل نهفته و درمان ریشه به ترتیب 56/73، 2/92، 1/87 و 0/76 درصد بود. مقادیر Precision نیز به ترتیب 74/79، 5/97، 0/77 و 2/61 درصد و Accuracy بین 4/98 تا 5/99 درصد گزارش شد.
نتیجه‌ گیری: چارچوب پیشنهادی مبتنی بر U-Net توانست عملکرد مناسبی در شناسایی خودکار وضعیت‌های دندانی در تصاویر پانورامیک نشان دهد و می‌تواند در غربالگری دندانی به کمک رایانه و برنامه‌ریزی درمان مورد استفاده قرار گیرد. با این حال، ارزیابی مدل بر روی مجموعه داده‌های بزرگ‌تر و ناهمگن‌تر برای بهبود تعمیم‌ پذیری ضروری است.