Detecção e classificação automática de lesões intraósseas dos maxilares em radiografias panorâmicas através de redes neurais convolucionais

• Ano de defesa: 2024
• Autor(a) principal: Silva, Renan Lucio Berbel da
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Biblioteca Digitais de Teses e Dissertações da USP
• Palavras-chave em Português: Artificial intelligence; Convolutional neural networks; Inteligência artificial; Lesões osteolíticas; Osteolytic lesions; Redes neurais convolucionais
• Link de acesso: https://www.teses.usp.br/teses/disponiveis/23/23139/tde-06122024-174639/

Objetivo: Este estudo avalia o desempenho de uma Rede Neural Convolucional (RNC) de aprendizado profundo na detecção e classificação das lesões intraósseas mais prevalentes do complexo estomatognático em radiografias panorâmicas. A análise concentra-se em lesões osteolíticas, incluindo cistos, tumores e outras condições, utilizando a radiografia digital para aprimorar a precisão diagnóstica. Materiais e Métodos: A pesquisa utilizou 825 radiografias panorâmicas digitais anonimizadas da Faculdade de Odontologia da Universidade de São Paulo, abrangendo de 2010 a 2020. As imagens foram selecionadas com base em critérios específicos de inclusão: radiografia panorâmica digital com boa qualidade técnica, dentição permanente e pelo menos uma lesão osteolítica presente. O modelo RNC, YOLOv8, foi treinado e validado neste conjunto de dados, aplicando técnicas de pré-processamento como CLAHE para aprimoramento da imagem e métodos de aumento de dados para robustez do modelo. Resultados: A RNC demonstrou precisão variada em diferentes categorias de lesões, com uma precisão notável na detecção de \'Cisto Ósseo Simples\' e \'Cisto Dentígero\'. O desempenho do modelo foi avaliado usando métricas como precisão da caixa delimitadora (Box(P)), recall (R), Precisão Média (mAP50 e mAP50-95), em diferentes classes de lesões. Os resultados destacaram um Box(P) de 0.823 e um R de 0.655 para \'Lesões Osteolíticas\', com um mAP50 de 0.757. No entanto, o modelo exibiu desafios na distinção entre certas condições, como \'Ameloblastoma\' e \'Lesão Apical\', indicando uma necessidade de aprimoramento na capacidade de classificação específica. Esses valores sugerem uma capacidade promissora da RNC em identificar e classificar lesões osteolíticas com alta precisão, embora com limitações evidentes em distinguir entre tipos de lesões similares. Conclusão: A implementação de RNCs, especificamente o modelo YOLOv8, na análise de radiografias panorâmicas para detecção e classificação de lesões osteolíticas, provou ser eficaz. Apesar dos desafios na distinção entre tipos de lesões estreitamente relacionados, as altas taxas de precisão e recall do modelo para lesões específicas sublinham seu potencial como ferramenta diagnóstica na odontologia. Recomenda-se treinamento adicional com conjuntos de dados maiores e mais diversos para aprimorar o desempenho do modelo e a aplicabilidade clínica.