ترجمه فارسی مقاله قطعه‌بندی سوراخ چانه‌ای در تصاویر ارتوپانتوموگرافی: رویکرد یادگیری عمیق

چکیده

Precise identification and detection of the Mental Foramen are crucial in dentistry, impacting procedures such as impacted tooth removal, cyst surgeries, and implants. Accurately identifying this anatomical feature facilitates post-surgery issues and improves patient outcomes. Moreover, this study aims to accelerate dental procedures, elevating patient care and healthcare efficiency in dentistry. This research used Deep Learning methods to accurately detect and segment the Mental Foramen from panoramic radiograph images. Two mask types, circular and square, were used during model training. Multiple segmentation models were employed to identify and segment the Mental Foramen, and their effectiveness was evaluated using diverse metrics. An in-house dataset comprising 1000 panoramic radiographs was created for this study. Our experiments demonstrated that the Classical UNet model performed exceptionally well on the test data, achieving a Dice Coefficient of 0.79 and an Intersection over Union (IoU) of 0.67. Moreover, ResUNet++ and UNet Attention models showed competitive performance, with Dice scores of 0.675 and 0.676, and IoU values of 0.683 and 0.671, respectively. We also investigated transfer learning models with varied backbone architectures, finding LinkNet to produce the best outcomes. In conclusion, our research highlights the efficacy of the classical Unet model in accurately identifying and outlining the Mental Foramen in panoramic radiographs. While vital, this task is comparatively simpler than segmenting complex medical datasets such as brain tumours or skin cancer, given their diverse sizes and shapes. This research also holds value in optimizing dental practice, benefiting practitioners and patients.

چکیده به فارسی (ترجمه ماشینی)

شناسایی دقیق و تشخیص فورامنهای ذهنی در دندانپزشکی بسیار مهم است و بر رویه هایی مانند برداشتن دندان تحت تأثیر ، جراحی کیست و ایمپلنت تأثیر می گذارد.شناسایی دقیق این ویژگی آناتومیکی مسائل بعد از عمل را تسهیل می کند و نتایج بیمار را بهبود می بخشد.علاوه بر این ، این مطالعه با هدف تسریع در روشهای دندانپزشکی ، بالا بردن مراقبت از بیمار و بهره وری مراقبت های بهداشتی در دندانپزشکی انجام می شود.در این تحقیق از روشهای یادگیری عمیق برای تشخیص دقیق و تقسیم فورامن ذهنی از تصاویر رادیوگرافی پانوراما استفاده شده است.دو نوع ماسک ، دایره ای و مربع ، در طول آموزش مدل استفاده شد.از مدل های تقسیم بندی چندگانه برای شناسایی و تقسیم بندی فورامن ذهنی استفاده شد و اثربخشی آنها با استفاده از معیارهای متنوع مورد بررسی قرار گرفت.یک مجموعه داده داخلی شامل 1000 رادیوگرافی پانوراما برای این مطالعه ایجاد شد.آزمایشات ما نشان داد که مدل Unet کلاسیک فوق العاده به خوبی بر روی داده های آزمون انجام می شود و به ضریب تاس 0.79 و تقاطع بیش از اتحادیه (IOU) 0.67 رسیده است.علاوه بر این ، مدل های توجه Resunet ++ و Unet عملکرد رقابتی را نشان دادند ، با نمرات تاس های 0.675 و 0.676 و مقادیر IOU به ترتیب 0.683 و 0.671.ما همچنین مدل های یادگیری انتقال را با معماری های ستون فقرات متنوع بررسی کردیم و LinkNet را برای تولید بهترین نتایج پیدا کردیم.در نتیجه ، تحقیقات ما اثربخشی مدل Unet کلاسیک را در شناسایی دقیق و تشریح فورامن ذهنی در رادیوگرافی پانوراما برجسته می کند.در حالی که حیاتی است ، این کار با توجه به اندازه ها و شکل های متنوع آنها ، نسبتاً ساده تر از تقسیم مجموعه داده های پزشکی پیچیده مانند تومورهای مغزی یا سرطان پوست است.این تحقیق همچنین در بهینه سازی عمل دندانپزشکی ، به نفع پزشکان و بیماران ارزش دارد.