Resumen

Con el fin de estudiar en profundidad la tomografía computarizada tridimensional oral de haz cónico (CBCT), se estudió el diagnóstico de enfermedades quirúrgicas orales y faciales basado en el aprendizaje profundo. Se presenta el modelo de utilidad relacionado con un algoritmo de clasificación basado en aprendizaje profundo para enfermedades quirúrgicas orales y faciales (diagnóstico profundo de enfermedades orales y maxilofaciales, denominado DDOM); en este método, el algoritmo DDOM propuesto para la clasificación de pacientes, la segmentación de lesiones y la segmentación de dientes, respectivamente, puede procesar eficazmente los datos CBCT orales tridimensionales de los pacientes y llevar a cabo la clasificación a nivel de paciente. Los resultados de la segmentación muestran que el método de segmentación propuesto puede segmentar eficazmente los dientes independientes en las imágenes CBCT, y el error de aumento vertical de las imágenes CBCT de los dientes es claro. El porcentaje medio de aumento fue del 7,4%. Corrigiendo la ecuación del valor R y la tasa de ampliación vertical de la imagen CBCT, el error de ampliación de la longitud de la imagen del diente podría reducirse de 7,4. De acuerdo con la longitud de la imagen CBCT de los dientes, la distancia R del centro del diente al centro del FOV y la ampliación vertical de la imagen CBCT, se pueden obtener los datos más cercanos al tamaño real del diente, en los que el error de ampliación se reduce al 1,0%. Por lo tanto, se demuestra que el ordenador electrónico de haz cónico oral 3D basado en aprendizaje profundo puede ayudar eficazmente a los médicos en tres aspectos: diagnóstico del paciente, localización de lesiones y planificación quirúrgica.

• Materias:Insuficiencia cardíaca Plataforma de servicios Filtro de orden óptimo Características clínicas Osteoporosis
• Subjects:Heart failure Platform services Optimal order filtering Clinical features Osteoporosis
• Palabras claves:aprendizaje profundo, imagen CBCT, error de aumento, haz cónico oral 3D, datos CBCT orales dimensionales, longitud de imagen CBCT, tasa media de aumento, haz cónico dimensional, enfermedades de cirugía facial, enfermedades quirúrgicas faciales.
• Keywords:deep learning, CBCT image, magnification error, 3D oral cone beam, dimensional oral CBCT data, CBCT image length, average magnification rate, dimensional cone beam, facial surgery diseases, facial surgical diseases