Resumen

Los recientes avances en el análisis de imágenes médicas, especialmente el uso del aprendizaje profundo, están ayudando a identificar, detectar, clasificar y cuantificar patrones en las radiografías. En el centro de estos avances está la capacidad de explorar representaciones de características jerárquicas aprendidas a partir de los datos. El aprendizaje profundo se está convirtiendo, sin duda, en la técnica más solicitada, lo que permite mejorar el rendimiento en el análisis de aplicaciones y sistemas médicos. Las técnicas de aprendizaje profundo han logrado grandes resultados de rendimiento en la segmentación de imágenes dentales. La segmentación de radiografías dentales es un paso crucial que ayuda al dentista a diagnosticar la caries dental. Sin embargo, el rendimiento de estas redes profundas se ve restringido por varias características difíciles de las lesiones de caries dentales. La segmentación de las imágenes dentales se vuelve difícil debido a la gran variedad de topologías, a las complejidades de las estructuras médicas y a la mala calidad de la imagen causada por condiciones como el bajo contraste, el ruido y los bordes irregulares y difusos, que dan lugar a una segmentación infructuosa. El método de segmentación dental utilizado se basa en la umbralización y el análisis de componentes conectados. Las imágenes se preprocesan utilizando el filtro de desenfoque gaussiano para eliminar el ruido y los píxeles corruptos. A continuación, las imágenes se mejoran mediante operaciones morfológicas de erosión y dilatación. Por último, se realiza la segmentación mediante umbralización y se identifican los componentes conectados para extraer la región de interés (ROI) de los dientes. El método se evaluó en un conjunto de datos aumentado de 11.114 imágenes dentales. Se entrenó con 10 090 imágenes del conjunto de entrenamiento y se probó con 1024 imágenes del conjunto de prueba. El método propuesto dio resultados de 93 o en los valores de precisión y recuperación, respectivamente.

• Materias:Inteligencia artificial Minería de datos Algoritmos genéticos Neurofisiología Proceso de aprendizaje
• Subjects:Artificial intelligence Data mining Genetic algorithms Neurophysiology Learning processes
• Palabras claves:imagen dental, aprendizaje profundo, imagen de conjunto, análisis de imágenes médicas, técnicas de aprendizaje profundo, operaciones de morfología de dilatación, segmentación de imágenes dentales, borde difuso, lesiones dentales cariadas, mala calidad de imagen
• Keywords:dental image, deep learning, set image, medical imaging analysis, deep learning techniques, dilation morphology operations, dental image segmentation, fuzzy edge border, dental carious lesions, poor image quality