نشریه علمی پژوهشی طب انتظامی Journal of Police Medicine
دوره 14، شماره 1 - ( 1404 )
جلد 14 شماره 1 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Baghery S, Hosseini V. Design of an Artificial Intelligence System for Assessing the Spatial Relationship Between the Mandibular Third Molar and the Inferior Alveolar Nerve on Panoramic Radiographs.. , J Police Med. 2025; 14 (1) : e15
URL: http://jpmed.ir/article-1-1368-fa.html
URL: http://jpmed.ir/article-1-1368-fa.html
باقری سیاوش، حسینی وحیدرضا. طراحی سیستم هوش مصنوعی جهت تعیین ارتباط دندان عقل فک پایین با عصب اینفریور آلوئولر در تصاویر پانورامیک. , نشریه علمی پژوهشی طب انتظامی. 1404; 14 (1)
1- ، bagheriss961@mums.ac.ir
چکیده: (33 مشاهده)
اهداف: مولر سوم مندیبولار، شایع‌ترین دندان نهفته در سیستم دندانی انسان است. با توجه به شیوع بالای نهفتگی مولر سوم و فراوانی بالای جراحی کشیدن آن، آسیب به عصب آلوئولار تحتانی یکی از مهم‌ترین و جدی‌ترین عوارض پس از جراحی محسوب می‌شود که می‌تواند منجر به اختلالات حسی پایدار در لب و چانه گردد.در این مطالعه به طراحی، پیاده‌سازی و ارزیابی یک سیستم هوش مصنوعی برای ارزیابی خودکار رابطه فضایی بین مولر سوم مندیبولار (MTM) و عصب آلوئولار تحتانی (IAN) در تصاویر پانورامیک دندان‌پزشکی پرداخته شده است.
روش اجرا: سامانه طراحی شده شامل سه مؤلفه اصلی بود:
(1) قطعه‌بندی معنایی برای مکان‌یابی ساختارهای آناتومیک،
(2) طبقه‌بندی دودویی برای تشخیص وجود یا عدم وجود تماس بین MTM و IAN،و (3) یک جریان استنتاج یکپارچه که هر دو مدل را به‌صورت متوالی با یکدیگر ترکیب می‌کند. در مرحله قطعه‌بندی، از معماری U-Net با رمزگذار ResNet-34 استفاده شده است و مرحله طبقه‌بندی بر پایه EfficientNet-B0 طراحی شده که برای دریافت ورودی چهارکاناله (تصویر RGB به‌همراه ماسک قطعه‌بندی) اصلاح گردیده است.
یافته ها: نتایج نشان می‌دهد که سامانه یکپارچه پیشنهادی به دقت کلی 92.57%، حساسیت 88.31% و ویژگی 97.18% دست یافته است که بیانگر کارایی بالای رویکرد طبقه‌بندی مبتنی بر اطلاعات استخراج‌شده از قطعه‌بندی می‌باشد.
نتیجه گیری نتایج این پژوهش نشان می‌دهد که بهره‌گیری از مدل‌های یادگیری عمیق آگاه از ساختار آناتومیک، به‌ویژه در قالب یک سامانه یکپارچه قطعه‌بندی–طبقه‌بندی، می‌تواند ابزار کمکی ارزشمندی برای تصمیم‌گیری بالینی در دندان‌پزشکی و جراحی فک و صورت فراهم آورد.
روش اجرا: سامانه طراحی شده شامل سه مؤلفه اصلی بود:
(1) قطعه‌بندی معنایی برای مکان‌یابی ساختارهای آناتومیک،
(2) طبقه‌بندی دودویی برای تشخیص وجود یا عدم وجود تماس بین MTM و IAN،و (3) یک جریان استنتاج یکپارچه که هر دو مدل را به‌صورت متوالی با یکدیگر ترکیب می‌کند. در مرحله قطعه‌بندی، از معماری U-Net با رمزگذار ResNet-34 استفاده شده است و مرحله طبقه‌بندی بر پایه EfficientNet-B0 طراحی شده که برای دریافت ورودی چهارکاناله (تصویر RGB به‌همراه ماسک قطعه‌بندی) اصلاح گردیده است.
یافته ها: نتایج نشان می‌دهد که سامانه یکپارچه پیشنهادی به دقت کلی 92.57%، حساسیت 88.31% و ویژگی 97.18% دست یافته است که بیانگر کارایی بالای رویکرد طبقه‌بندی مبتنی بر اطلاعات استخراج‌شده از قطعه‌بندی می‌باشد.
نتیجه گیری نتایج این پژوهش نشان می‌دهد که بهره‌گیری از مدل‌های یادگیری عمیق آگاه از ساختار آناتومیک، به‌ویژه در قالب یک سامانه یکپارچه قطعه‌بندی–طبقه‌بندی، می‌تواند ابزار کمکی ارزشمندی برای تصمیم‌گیری بالینی در دندان‌پزشکی و جراحی فک و صورت فراهم آورد.
شماره‌ی مقاله: e15
نوع مقاله: پژوهشی اصيل |
موضوع مقاله:
فناوری‌های مرتبط با طب انتظامی
دریافت: 1405/3/5 | پذیرش: 1405/6/19 | انتشار: 1405/8/5
دریافت: 1405/3/5 | پذیرش: 1405/6/19 | انتشار: 1405/8/5
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |