Envíe este artículo por correo electrónico 
Aprendizaje Auto-Supervisado Explicable para Predecir y Generar los Diámetros de Canales Nutricios en Tomografía Computarizada de Haz Cónico
Resumen
Introducción: La tomografía computarizada de haz cónico (CBCT) ha transformado la odontología al proporcionar vistas tridimensionales de alta resolución para evaluar los sistemas de canales nutricios mandibulares. Sin embargo, las mediciones manuales son laboriosas. Este estudio utiliza aprendizaje auto-supervisado para predecir mediciones de los canales nutricios a partir de escaneos CBCT mandibulares. Objetivo: Mejorar la precisión y la planificación del tratamiento mediante inteligencia artificial explicable (IA), optimizando estrategias para cirugías de implantes y atención personalizada. Métodos: Se recopilaron 398 imágenes CBCT del sistema DIAS del Saveetha Dental College. Un periodoncista calificó los datos, incluyendo mediciones del diámetro del canal nutricio, visibilidad de la arteria lingual y distancia. Los datos se dividieron en conjuntos de entrenamiento y prueba. El modelo auto-supervisado empleó autoencoders con codificador, decodificador y cabeza de regresión, comprimiendo los datos en un espacio latente de 16 dimensiones para predecir el diámetro del canal. Resultados: El modelo redujo pérdidas de reconstrucción y regresión, logrando una pérdida final de 0.2543 para reconstrucción y 0.3336 para regresión. Conclusión: El aprendizaje auto-supervisado puede mejorar el análisis de escaneos CBCT al predecir diámetros de los canales, aunque su éxito depende de datos de alta calidad, validación robusta e integración multimodal.
Recibido: 23/12/2024
Aceptado: 21/01/2025
Palabras clave
Texto completo:
PDF (English)Referencias
Alshomrani F. Cone-Beam Computed Tomography (CBCT)-Based Diagnosis of Dental Bone Defects. Diagnostics (Basel). 2024;14(13):1404
Patel JR, Wuehrmann AH. A radiographic study of nutrient canals. Oral Surg Oral Med Oral Pathol. 1976;42(5):693-701.
Kawashima Y, Sekiya K, Sasaki Y, Tsukioka T, Muramatsu T, Kaneda T. Computed Tomography Findings of Mandibular Nutrient Canals. Implant Dent. 2015;24(4):458–63.
Muley P, Kale L, Choudhary S, Aldhuwayhi S, Thakare A, Mallineni SK. Assessment of Accessory Canals and Foramina in the Mandibular Arch Using Cone-Beam Computed Tomography and a New Classification for Mandibular Accessory Canals. Biomed Res Int. 2022;2022:5542030.
Ogawa A, Fukuta Y, Nakasato H, Nakasato S. Cone beam computed tomographic evaluation of nutrient canals and foramina in the anterior region of the mandible. Surg Radiol Anat. 2016 ;38(9):1029–32.
Di Bartolomeo M, Pellacani A, Bolelli F, Cipriano M, Lumetti L, Negrello S, et al. Inferior Alveolar Canal Automatic Detection with Deep Learning CNNs on CBCTs: Development of a Novel Model and Release of Open-Source Dataset and Algorithm. Appl. Sci. 2023;13(5):3271
Park CS, Kang SR, Kim JE, Huh KH, Lee SS, Heo MS, et al. Validation of bone mineral density measurement using quantitative CBCT image based on deep learning. Sci Rep. 2023;13(1):11921.
Fan W, Zhang J, Wang N, Li J, Hu L. The Application of Deep Learning on CBCT in Dentistry. Diagnostics (Basel). 2023;13(12):2056
Chen L, Liang X, Shen C, Nguyen D, Jiang S, Wang J. Synthetic CT generation from CBCT images via unsupervised deep learning. Phys Med Biol. 2021;66(11).
Yan K, Cai J, Jin D, Miao S, Guo D, Harrison AP, et al. SAM: Self-Supervised Learning of Pixel-Wise Anatomical Embeddings in Radiological Images. IEEE Trans Med Imaging. 2022;41(10):2658–69.
Ghesu FC, Georgescu B, Mansoor A, Yoo Y, Neumann D, Patel P, et al. Contrastive self-supervised learning from 100 million medical images with optional supervision. J Med Imaging (Bellingham). 2022;9(6):64503.
Zhi S, Kachelrieß M, Mou X. Spatiotemporal structure-aware dictionary learning-based 4D CBCT reconstruction. Med Phys. 2021;48(10):6421–36.
Tumer H, Orhan K, Aksoy S, Berberoglu A. Cone-beam-computed tomography evaluation of mandibular nutrient canals in patients with periodontal diseases. Niger J Clin Pract. 2023 ;26(1):59–64.
Jindanil T, Marinho-Vieira LE, de-Azevedo-Vaz SL, Jacobs R. A unique artificial intelligence-based tool for automated CBCT segmentation of mandibular incisive canal. Dentomaxillofac Radiol. 2023;52(8):20230321.
Gong R, Wang L, Wang J, Ge B, Yu H, Shi J. Self-Distilled Supervised Contrastive Learning for diagnosis of breast cancers with histopathological images. Comput Biol Med. 2022;146:105641.
Li G, Togo R, Ogawa T, Haseyama M. Self-supervised learning for gastritis detection with gastric X-ray images. Int J Comput Assist Radiol Surg. 2023;18(10):1841–8.
Anand D, Annangi P, Sudhakar P. Benchmarking Self-Supervised Representation Learning from a million Cardiac Ultrasound images. Annu Int Conf IEEE Eng Med Biol Soc. 2022;2022:529–32.
Li G, Togo R, Ogawa T, Haseyama M. COVID-19 detection based on self-supervised transfer learning using chest X-ray images. Int J Comput Assist Radiol Surg. 2023 ;18(4):715–22.
DOI: https://www.doi.org/10.53766/AcBio/Se encuentra actualmente indizada en: | |||
 |  |  |  |
  |  |  |  |
 |  |  |  |
 |  | ||
Todos los documentos publicados en esta revista se distribuyen bajo una
Licencia Creative Commons Atribución -No Comercial- Compartir Igual 4.0 Internacional.
Por lo que el envío, procesamiento y publicación de artículos en la revista es totalmente gratuito.