Semi-automated technique to assess the Developmental stage of mandibular third molars for age estimation

เทคนิคกึ่งอัตโนมัติในการประเมินระยะการพัฒนาของฟันกรามล่างซี่ที่ 3 สำหรับการประเมินอายุ

Name: Witsarut Upalananda

MeSH: Molars

MeSH: Dentistry

MeSH: Teeth

Abstract: Background: Dental age estimation is a method for estimating the age of people with unknown date of birth, a requirement for age-related judgment in legal procedures. However, the procedure for estimating dental age presents some difficulties. Training of observers to classify the stages of tooth development correctly or the use of experienced observers is needed to produce accurate and reproducible results. Application of artificial intelligence in dental age estimation makes the procedure of dental age estimation more reliable and less subjective. Objectives: This study aimed to develop a semi-automated technique to assess a developmental stage of mandibular third molars and test the accuracy of the technique. Materials and methods: This study focused on the last five developmental stages of the Demirjian et al. classification. Panoramic radiographs of 2,235 patients were collected. The radiographs were cropped manually to obtain isolated radiographic images of mandibular third molars. The samples in this study were 4,000 radiographic images of mandibular third molars, which consisted of 800 images of each developmental stage. The samples were assigned to training and test datasets. The training dataset had 3,600 images, which consisted of 720 images of each developmental stage, whereas the test dataset had 400 images, which consisted of 80 images of each developmental stage. A developmental stage assessment technique was developed using two deep learning algorithms, the AlexNet and GoogLeNet models. The algorithms were trained using the training dataset and their accuracy was tested using the test dataset. This study evaluated intra- and inter-observer reliability using Cohen’s kappa coefficient. Accuracy of the developed techniques was evaluated using the percentage of correction. Results: Cohen’s kappa coefficients of intra- and inter-observer reliability were 0.898 and 0.833, respectively. The AlexNet model was 79.75% accurate in assessing the developmental stage of mandibular third molars, whereas the GoogLeNet model had 82.50% accuracy. The misclassified results of the AlexNet model deviated one to two stages from human-assessed results, whereas the misclassified results of the GoogleNet model deviated only one stage. Conclusions: This semi-automated technique was highly accurate in assessing the development of the mandibular third molar. The GoogLeNet model is recommended for the task because it has higher accuracy than the AlexNet model. Dentists can apply this developed technique to assist in the process of age estimation of adolescents and young adults.

Abstract: ความเป็นมาของงานวิจัย: การประเมินอายุโดยใช้ฟัน เป็นหนึ่งในวิธีการประเมินอายุที่มีความสำคัญอย่างมากในการพิจารณาคดีทางกฎหมายที่เกี่ยวข้องกับอายุของบุคคล อย่างไรก็ตาม กระบวนการในการประเมินอายุโดยใช้ฟัน มีความยากในขั้นตอนการประเมินการพัฒนาของฟัน ซึ่งจาเป็นต้องมีการฝึกฝนหรือประเมินโดยผู้เชี่ยวชาญ เพื่อที่จะได้ผลลัพธ์ที่มีความแม่น และสามารถทาซ้ำได้ การประยุกต์ใช้เทคโนโลยีปัญญาประดิษฐ์ เพื่อช่วยในการประเมินอายุโดยใช้ฟัน จะสามารถช่วยให้การประมาณอายุมีความน่าเชื่อถือมากขึ้น และมีความเป็นอัตวิสัยลดลง วัตถุประสงค์: การศึกษานี้มีวัตถุประสงค์เพื่อพัฒนาเทคนิคกึ่งอัตโนมัติสาหรับประเมินการพัฒนาของฟันกรามล่างซี่ที่สาม เพื่อการประเมินอายุ และทดสอบความแม่นในการประเมินการพัฒนาของฟันกรามล่างซี่ที่สามของเทคนิคดังกล่าว วัสดุและวิธีวิจัย: การศึกษาครั้งนี้มุ่งเน้นการประเมินการพัฒนาของฟันกรามล่างซี่ที่สาม 5 ระยะหลังของการพัฒนา ตามวิธีของเดเมอร์เจียน การศึกษานี้รวบรวมภาพรังสีแพโนรามาของผู้ป่วย 2,235 ราย ทำการครอบตัดภาพรังสีดังกล่าวด้วยตัวผู้วิจัย ในบริเวณฟันกรามล่างซี่ที่สาม เพื่อเป็นกลุ่มตัวอย่าง โดยกลุ่มตัวอย่างประกอบด้วยภาพรังสีของฟันกรามล่างซี่ที่สามจำนวน 4,000 ภาพ โดยแบ่งเป็นภาพรังสีในระยะการพัฒนาต่าง ๆ 5 ระยะ ๆ ละ 800 ภาพ จากนั้นแบ่งภาพรังสีออกเป็น 2 กลุ่ม คือ ชุดข้อมูลสำหรับฝึกการเรียนรู้ของโปรแกรมคอมพิวเตอร์ มีภาพรังสี 3,600 ภาพ ประกอบด้วยภาพรังสีจากแต่ละระยะ ๆ ละ 720 ภาพ และ ชุดข้อมูลสำหรับทดสอบ มีภาพรังสี 400 ภาพ ประกอบด้วยภาพรังสีจากแต่ละระยะ ๆ ละ 80 ภาพ เทคนิคการประเมินการพัฒนาของฟันกรามล่างซี่ที่สาม ถูกพัฒนาขึ้นโดยใช้อัลกอริทึมรูปแบบการเรียนรู้เชิงลึก 2 ชนิด คือ แบบจำลองอเล็กซ์เน็ต (AlexNet model) และแบบจำลองกูเกิลเน็ต (GoogLeNet model) โดยใช้ตัวอย่างจากชุดฝึกการเรียนรู้ในการพัฒนาเทคนิค และใช้ตัวอย่างจากชุดทดสอบ ในการทดสอบความแม่นในการประเมินการพัฒนาของฟันกรามล่างซี่ที่สาม การศึกษานี้ประเมินความเชื่อถือได้ภายในของผู้ประเมิน และระหว่างผู้ประเมิน โดยใช้ค่าสัมประสิทธิ์โคเฮนแคปปา (Cohen’s kappa coefficient) และประเมินความแม่นของเทคนิคที่พัฒนาขึ้นในการประเมินการพัฒนาของฟันกรามล่างซี่ที่สามโดยใช้ร้อยละของผลลัพธ์ที่ประเมินได้ถูกต้อง ผลการศึกษา: ค่าสัมประสิทธิ์โคเฮนแคปปาของความเชื่อถือได้ภายในของผู้ประเมิน และระหว่างผู้ประเมิน มีค่าเท่ากับ 0.898 และ 0.833 ตามลำดับ การทดสอบเทคนิคกึ่งอัตโนมัติที่พัฒนาขึ้นโดยใช้แบบจาลองอเล็กซ์เน็ต มีความแม่นในการประเมินการพัฒนาของฟันกรามล่างซี่ที่สามร้อยละ 79.75 ในขณะที่แบบจำลองกูเกิลเน็ตมีความแม่นร้อยละ 82.50 โดยที่ผลลัพธ์จากการประเมินโดยเทคนิคจากแบบจำลองอเล็กซ์เน็ต คลาดเคลื่อนจากระยะการพัฒนาจริง 1 ถึง 2 ขั้น ในขณะที่ผลลัพธ์จากการประเมินโดยใช้เทคนิคจากแบบจำลองกูเกิลเน็ต คลาดเคลื่อนจากระยะการพัฒนาจริงเพียง 1 ขั้น สรุปผลการศึกษา: เทคนิคกึ่งอัตโนมัติที่พัฒนาขึ้นในการศึกษาครั้งนี้ มีความแม่นในการประเมินการพัฒนาของฟันกรามล่างซี่ที่สามสูง แบบจำลองกูเกิลเน็ต มีความเหมาะสมในการใช้พัฒนาเทคนิคกึ่งอัตโนมัตินี้ เนื่องจากมีความแม่นที่สูงกว่าแบบจำลองอเล็กซ์เน็ต โดยทันตแพทย์สามารถนำเทคนิคที่พัฒนาขึ้นนี้ไปใช้สำหรับช่วยในกระบวนการประเมินอายุในวัยรุ่นและวัยผู้ใหญ่ระยะต้น

Chiang Mai University. Library

Address: CHIANG MAI

Email: cmulibref@cmu.ac.th

Name: Apirum Janhom

Role: Advisor

Created: 2568

Modified: 2568-10-24

Issued: 2025-10-24

วิทยานิพนธ์/Thesis

application/pdf

eng

DegreeName: Master of Science

Level: Master's Degree

Descipline: Dentistry

Grantor: Chiang Mai University

©copyrights Chiang Mai University

ลำดับที่.	ชื่อแฟ้มข้อมูล	ขนาดแฟ้มข้อมูล	จำนวนเข้าถึง	วัน-เวลาเข้าถึงล่าสุด
1	610931039.pdf	1.47 MB

ใช้เวลา

0.032647 วินาที