Sistema de evaluación inteligente de terceros molares basado en aprendizaje automático y procesamiento de imágenes.
No Thumbnail Available
Files
Date
2024-08
Authors
Journal Title
Journal ISSN
Volume Title
Publisher
Universidad Técnica de Ambato. Facultad de Ingeniería en Sistemas, Electrónica e Industrial. Carrera de Telecomunicaciones
Abstract
project explores the anatomical characteristics of third molars and applies advanced techniques in automated learning and image processing for their evaluation. The Pell and Gregory, and Winter classifications were used to structure a database of 2592 instances into 12 main categories, enabling precise model training using the YOLO algorithm in its YOLOv8x version. The selection of appropriate tools and software was pivotal for the successful development of the artificial intelligence model; Google Colab was chosen for training due to its high processing speed, achieving optimal training within 45 to 55 epochs for each category of third molars.
Additionally, an interface for third molar evaluation was developed using CustomTkinter, leveraging YOLOv8's extensive compatibility with Python libraries compared to earlier versions and other available artificial vision algorithms. This facilitated the creation of an interactive and user-friendly platform for dental professionals. For clinical data management and storage, Firebase Admin was implemented, enabling the collection and organization of results from each clinical case. This led to the development of a comprehensive dental clinical template containing essential parameters necessary for subsequent reviews by dentists.
Overall, this advanced system enhances accuracy in diagnosing and evaluating third molars, optimizing dental practices through effective integration of artificial intelligence technologies and development tools, providing an efficient and precise approach to managing clinical data.
Description
En este proyecto se exploran las características anatómicas de los terceros molares y la aplicación de técnicas avanzadas de aprendizaje automatizado y procesamiento de imágenes para su evaluación. Se utilizaron las clasificaciones de Pell-Gregory y Winter para estructurar la base de datos con 2592 casos clínicos en 12 categorías principales, lo que permitió entrenar modelos precisos utilizando el algoritmo YOLO en su versión YOLOV8x. La selección de herramientas y software adecuados fue fundamental para el desarrollo exitoso del modelo de Inteligencia Artificial, la plataforma Google Colab se eligió para el entrenamiento debido a su alta velocidad de procesamiento, lo cual permitió alcanzar un entrenamiento óptimo entre 45 y 55 épocas en cada categoría de los terceros molares.
Además, se desarrolló de una interfaz para la evaluación de terceros molares se logró mediante CustomTkinter, ya que el YOLOv8 tiene una amplia compatibilidad de librerías en Python en comparación con versiones anteriores y otros algoritmos de Visión Artificial disponibles que facilitó la creación de una plataforma interactiva y amigable para los profesionales de Odontología. Además, para la gestión y almacenamiento de datos clínicos, se implementó Firebase Admin, permitiendo la recopilación y organización de los resultados de cada caso clínico. Esto llevo al desarrollo de una plantilla clínica odontológica integral que incluye los parámetros esenciales necesarios para las revisiones posteriores por parte de los odontólogos.
En conjunto, este sistema avanzado mejora la precisión en el diagnóstico y evaluación de terceros molares, optimizando la práctica odontológica mediante una integración efectiva de tecnologías de Inteligencia Artificial y herramientas de desarrollo, proporcionando un enfoque eficiente y preciso en el manejo de datos clínicos.
Keywords
YOLO, WINTER, PELL Y GREGORY, FIRE BASE, PHYTON, LABELME