تشخیص زودهنگام پوسیدگی دندان با استفاده از شبکه های عصبی

پوسیدگی دندان یکی از شایع ترین بیماری های دهان و دندان در سطح جهان است که در صورت عدم تشخیص و درمان به موقع می تواند منجر به درد، شدید عفونت و تخریب ساختار دندانی شود. روش های سنتی تشخیص پوسیدگی شامل معاینه بالینی و بررسی رادیوگرافی های دوبعدی با محدودیت هایی همچون وابستگی به تجربه دندانپزشک، کیفیت پایین تصاویر و دشواری در شناسایی ضایعات اولیه همراه هستند. در سال های اخیر پیشرفت های چشمگیری در حوزه هوش مصنوعی و یادگیری عمیق رخ داده است که امکان توسعه سامانه های هوشمند برای تشخیص خودکار ضایعات دندانی را فراهم کرده است. در این پژوهش، یک سامانه هوشمند مبتنی بر شبکه های عصبی کانولوشنی و معماری U-Net ۲ ارائه شده که با بهره گیری همزمان از داده های دو بعدی رادیوگرافی بایت وینگ و داده های سه بعدی CBCT قادر به تشخیص زودهنگام پوسیدگی دندان است. به منظور رفع مشکل کمبود داده از شبکه های مولد تخاصمی برای تولید داده های مصنوعی و افزایش حجم دیتاست استفاده شده است. نتایج شبیه سازی نشان داد که مدل ترکیبی U-Net + GAN به دقت ۹۱، حساسیت ۹۲ و ویژگی ۹۰ دست یافت که نسبت به روش های سنتی و حتی مدل های پایه CNN و U-Net عملکرد بهتری دارد. این یافته ها بیانگر ظرفیت بالای هوش مصنوعی در ارتقای دقت تشخیص پوسیدگی دندان و کمک به تصمیم گیری بالینی دندانپزشکان است. همچنین این سامانه می تواند زمینه ساز توسعه نرم افزارهای کاربردی در کلینیک های دندانپزشکی دیجیتال و ابزارهای تشخیص زودهنگام در سطح جهانی باشد. جهت شبیه سازی و خروجی نتایج از نرم افزار پایتون استفاده شده است.

کلیدواژه ها:

پوسیدگی دندان ، هوش مصنوعی ، شبکه عصبی کانولوشنی ، CBCT ، U-Net ، شبکه های مولد تخاصمی ، CNN ، GAN ، Cone Beam Computed Tomography ، تصویربرداری سه بعدی مخروطی دندان