การตรวจรอยโรคฟันผุด้านประชิดในภาพถ่ายรังสีกัดปีกด้วยชุดโครงข่ายประสาทเทียมแบบคอนโวลูชัน

Detecting caries lesions with bitewing radiograph using ensemble of convolutional neural network model

Name: ชวลิต ชนินทรสงขลา

ThaSH: ฟัน -- โรค

ThaSH: ฟันผุ

ThaSH: การบันทึกภาพด้วยรังสี

ThaSH: โครงข่ายประสาทเทียม

Abstract: การค้นคว้าอิสระครั้งนี้เป็นการพัฒนาระบบเพื่อวินิจฉัยรอยโรคฟันผุค้านประชิดในภาพถ่ายรังสีกัดปีกด้วยการใช้ชุดโครงข่ายประสาทเทียมแบบคอนไวลูชันในลักษณะเชื่อมต่อกันอย่างสมบูรณ์ เพื่อเป็นเครื่องมือช่วยทันตแพทย์วินิจฉัยรอยโรคฟันผุในภาพรังสี ผู้วิจัยทำการศึกษาเปรียบเที่ยบลักษณะ โครงข่ายประสาทเทียมที่เหมาะสม โดยแบ่งเป็นสองการศึกษาย่อยเพื่อศึกษาการใช้โครงข่ายประสาทเทียมลักษณะเพื่อสร้างโมเดลพื้นฐานจำนวน 3 รูปแบบ ได้แก่ U-Net, FPN, DeepLabV3+ และการใช้ชุดโครงข่ายประกอบ XsembleNet จากสามโมเคลพื้นฐานดังกล่าวเพื่อเพิ่มประสิทธิภาพการวินิจฉัยรอยโรคฟันผุ กัดเลือกโครงข่ายประสาทเทียมที่เหมาสมที่สุด โดยเปรียบเทียบจากความแม่นยำของการจำแนกพื้นที่ฟันผุ และการประเมินเชิงคุณภาพ โดยทันตแพทย์การวัดประสิทธิภาพของระบบที่ได้พัฒนาในการศึกษานี้ แบ่งเป็น 2 ส่วน ส่วนแรกเป็นการเปรียบเทียบค่าความแม่นขำด้วยด่า Dice coefficient พบว่า โครงข่ายประกอบ XsembleNet มีประสิทธิภาพในการกัดแซกพื้นที่ฟันผุมากเป็นอันดับหนึ่งและตามมาด้วย FPN เป็นอันดับสอง ส่วนที่สองเป็นการประเมินผลทำนายรอยโรคฟันผุในเชิงคุณภาพและสร้างเมตริกแห่งความสับสน ชุดทดสอบจำนวน 12 ภาพโดยผู้จัดทำ พบว่าทุกโมเดลมีความแม่นชำและความไวสูง โดยโมเดล XsembleNet และ FPN มีค่าคะแนนมาตรวัดสูงที่สุดในหลายการทดสอบ จากผลการทดลองสามารถกล่าวได้ว่า โกรงข่ขประสาทเทียมแบบคอนไวลูชันในลักษณะเชื่อมต่อกันอย่างสมบูรณ์สามารถนำมาใช้คัดแขกฟันผุได้ เอย่างถูกต้อง มีประสิทธิภาพ สามารถใช้เป็นเครื่องมือช่วยในการตรวจฟันผุได้เป็นอย่างดี

Abstract: This independent study aims to develop a model for segmenting proximal dental caries using a fully convolutional neural network in bitewing radiographs. The segmentation models were created with the explicit goal of helping dentists in segmenting dental caries in radiographs for a second opinion. To determine the most appropriate model architecture, we compared the performance of three fundamental segmentation models: U-Net, FPN (Feature Pyramid Network), DeepLabV3+, and XsembleNet, which is a combination of the three preceding models. The system is evaluated in two ways. The first is to assess segmentation quality using the dice coefficient ; empirical experiments indicate that XsembleNethas the highest dice coefficient, followed by FPN. The second evaluation is to rate models’ segmentation of 12 testing bitewing radiographs. While all four models are comparable in terms of accuracy and specificity, XsembleNet and FPN jointly achieve the highest classification metrics score. As a result, it can be concluded that a fully convolutional neural network could be used to detect dental proximal caries radiographs via computer assisted diagnosis.

มหาวิทยาลัยเชียงใหม่. สำนักหอสมุด

Address: เชียงใหม่

Email: cmulibref@cmu.ac.th

Name: วาริน เชาวทัต

Role: อาจารย์ที่ปรึกษา

Created: 2565

Modified: 2566-10-22

Issued: 2566-10-22

วิทยานิพนธ์/Thesis

application/pdf

tha

DegreeName: วิทยาศาสตรมหาบัณฑิต

Level: ปริญญาโท

Descipline: วิทยาการข้อมูล

Grantor: มหาวิทยาลัยเชียงใหม่

©copyrights มหาวิทยาลัยเชียงใหม่

ลำดับที่.	ชื่อแฟ้มข้อมูล	ขนาดแฟ้มข้อมูล	จำนวนเข้าถึง	วัน-เวลาเข้าถึงล่าสุด
1	630632068.pdf	3.06 MB	4	2024-09-18 15:20:16

ใช้เวลา

0.030087 วินาที