یک الگوریتم ترکیبی بهبودیافته برای شناسایی پوسیدگی اینترپروگزیمال و مینای دندان در تصاویر رادیوگرافی دندانی

پوسیدگی دندان یک بیماری میکرو بیولوژیک است که باعث انحلال ساختار معدنی دندان می شود. تشخیص زودهنگام پوسیدگی مینا و اینترپروگزیمال، اهمیت بسیاری در حفظ و بقای دندان دارد. پوسیدگی دندان علاوه برافزایش ابتلا به بیماری های قلبی ، می تواند عامل مهمی در ابتلا به بیماری های خطرناک یا مزمن دیگر هم باشد. رادیوگرافی ها می توانند به دندانپزشکان در تشخیص ناهنجاری های دندان واقع در بافت های پنهان که در طی یک معاینه چشمی دیده نمی شوند کمک کنند. اما بررسی چشمی هم نمی تواند عاری از خطا باشد. تجزیه وتحلیل به کمک کامپیوتر می تواند نقش قابل توجهی درکمک به دندانپزشکان در شناسایی و تعیین محل ضایعات داشته باشد.EfficientNet یک معماری و روش مقیاس بندی شبکه عصبی کانولوشنی است که به طور یکنواخت تمام ابعاد، عمق ، عرض و وضوح را با استفاده از ضریب ترکیبی اعمال می کند و با دو ویژگی کاهش پارامترها و FLOPS، متمایز از سایر شبکه های عصبی رایج عمل می کنند. درپیاده سازی این مقاله ، معماری EfficientNet-B۰ تا EfficientNet-B۷ استفاده و ارزیابی می شود. برای حصول نتایج بهتر از داده افزایی ،یادگیری انتقالی ، تنظیم دقیق و تکنیک های پیشرفته یادگیری عمیق جهت بهبود نرخ تشخیص پوسیدگی استفاده شده است . معماری پیشنهادشده روی مجموعه آموزشی با ۵۰۰ تصویر که ۱۳۰ تصویر دندانهای سالم و ۲۸۰ تصویر مربوط به پوسیدگی اینترپروگزیمال و ۹۰ تصویر مربوط به پوسیدگی مینای دندان است . برای اعتبارسنجی و آزمایش از ۱۰۰ تصویر استفادهشده که ۵۰ تصویر پوسیدگی اینترپروگزیمال و ۲۰ تصویر پوسیدگی مینای دندان، ۳۰ تصویر دندان سالم است . نتایج به دست آمده کارآمدی معماری پیشنهادی را با دقت ۹۸ درصد را نشان می دهد.

کلیدواژه ها:

معماری EfficientNets ، شبکه های عصبی کانولوشنی ، یادگیری انتقالی ، تنظیم دقیق ، تصاویر رادیوگرافی دندانی ، پوسیدگی مینا واینترپروگزیمال دندان.