fa شناسایی وضعیت‌های دندانی در تصاویر رادیوگرافی پانورامیک با استفاده از الگوریتم یادگیری عمیق تشخیص بیماری های دهان و دندان oral medicine كاربردي Applicable <div style="text-align: justify;"><strong>زمینه و هدف‌:</strong> 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.<br> <strong>روش بررسی:</strong> 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&nbsp;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&times;512 آموزش داده شد و عملکرد آن با معیارهای با استفاده از معیارهای حساسیت (Recall)، دقت مثبت &nbsp;(Precision)، امتیاز F1 و صحت &nbsp;(Accuracy)ارزیابی شد.<br> <strong>یافته‌‌ها:</strong> 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&nbsp;74/79، 5/97، 0/77 و 2/61 درصد و Accuracy بین 4/98 تا 5/99 درصد گزارش شد.<br> <strong>نتیجه‌ گیری:</strong> 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.&nbsp;با این حال، ارزیابی مدل بر روی مجموعه داده‌های بزرگ‌تر و ناهمگن‌تر برای بهبود تعمیم‌ پذیری ضروری است.<br> <div></div></div> <div style="text-align: justify;"><strong>Background and Aims: </strong>Panoramic radiographs are routinely used for the assessment of dental conditions; however, their manual interpretation is time-consuming and highly dependent on the clinician&#39;s expertise. This study aimed to develop a deep learning-based U-Net framework for the automatic segmentation of four common dental conditions: dental caries, dental fillings, root canal-treated teeth, and impacted third molars.<br> <strong>Materials and Methods: </strong>This study was designed as the development of an applied model and was conducted in 2021 at the University of Tehran. Panoramic dental images were collected from publicly available sources. Two dentists collaboratively annotated the images and assigned labels corresponding to four dental conditions: dental caries, dental fillings, root canal treatment, and impacted wisdom teeth. To prevent data leakage, 10% of the entire dataset were initially reserved as an independent test set. Data augmentation were then applied exclusively to the training and validation data. Following augmentation, the remaining dataset were split into training and validation sets using an 80:20 ratio, respectively. A modified U-Net model was trained using preprocessed images resized to 512 &times; 512 pixels. Model performance was evaluated using Recall, precision, F1-score, and accuracy.<br> <strong>Results: </strong>The proposed model demonstrated promising performance in detecting the four target conditions. F1-scores, which were considered the primary performance metric because of potential class imbalance, were 73.56% for caries, 92.2% for fillings, 87.1% for impacted wisdom teeth, and 76.0% for root canal treatment. Precision values were 79.74%, 97.5%, 77.0%, and 61.2%, respectively, while accuracy values ranged from 98.4% to 99.5%.<br> <strong>Conclusion: </strong>The proposed U-Net-based framework demonstrated promising performance for the automated identification of dental conditions in panoramic radiographs and might facilitate computer-aided dental screening and treatment planning. Further validation using larger and more heterogeneous datasets are required to enhance the model&rsquo;s generalizability.</div> پوسیدگی دندان, ترمیم دائمی دندان, درمان ریشه دندان (عصب‌کشی), دندان نهفته, رادیوگرافی پانورامیک, یادگیری عمیق Dental caries, Dental fillings, Root canal treatment, Impacted wisdom teeth, Panoramic radiography, Deep learning 1 22 http://jdm.tums.ac.ir/browse.php?a_code=A-10-1341-2&slc_lang=fa&sid=1 Mohaddeseh Mesvari محدثه مسواری m.mesvari@ut.ac.ir No PhD Student, Department of Photogrammetry and Remote Sensing, Faculty of Mapping and Geospatial Information Engineering, Technical College, University of Tehran, Tehran, Iran دانشجوی دکتری، گروه فتوگرامتری و سنجش از دور، دانشکده مهندسی نقشه‌ برداری و اطلاعات مکانی، دانشکدگان فنی، دانشگاه تهران، تهران، ایران Mehdi Akhoondzadeh Hanzaie مهدی آخوندزاده هنزائی makhonz@ut.ac.ir Yes Associate Professor, Department of Photogrammetry and Remote Sensing, Faculty of Mapping and Geospatial Inform Engineering, Technical College, University of Tehran, Tehran, Iran دانشیار، گروه فتوگرامتری و سنجش از دور، دانشکده مهندسی نقشه ‌برداری و اطلاعات مکانی، دانشکدگان فنی، دانشگاه تهران، تهران، ایران