.png){kind=small}
تشخیص خودکار ضایعات پالپ و پری اپیکال در تصاویر CBCT با استفاده از الگوریتم YOLO :مطالعه مقایسه ای با مدل ResNet
خلاصه ضرورت اجرای طرح
ضایعات پری آپیکال از شایع ترین پاتولوژی های فکی و دندانی هستند که در صورت عدم تشخیص به موقع می توانند منجر به تخریب استخوان آلوئول و از دست رفتن دندان شوند. تصاویر CBCT به عنوان ابزار تشخیصی سه بعدی، جزئیات دقیقی از ساختارهای فکی ارائه می دهند، اما تفسیر دستی آن ها به دلیل حجم زیاد داده ها، پیچیدگی ساختارهای آناتومیکی و احتمال خطای انسانی، کاری زمان بر و دشوار است. در سال های اخیر، استفاده از هوش مصنوعی و به ویژه الگوریتم های یادگیری عمیق در تحلیل تصاویر پزشکی، دقت و سرعت تشخیص را به طور چشمگیری افزایش داده است. در این میان، الگوریتم YOLO به دلیل معماری پیشرفته و توانایی بالای خود در تشخیص سریع و دقیق الگوهای تصویری، گزینه ای مناسب برای شناسایی خودکار ضایعات پری آپیکال به شمار می آید. از آنجا که تاکنون مطالعات محدودی به ارزیابی عملکرد YOLO در مقایسه با مدل های شناخته شده ای چون ResNet در داده های سه بعدی CBCT پرداخته اند، انجام این پژوهش ضروری است تا چارچوبی دقیق، سریع و قابل اعتماد برای تشخیص خودکار ضایعات پری آپیکال فراهم گردد و گامی موثر در جهت ارتقای کیفیت تشخیص و تصمیم گیری بالینی در دندان پزشکی برداشته شود.
مجری طرح: دکتر فرزانه مساوات
مجری طرح: دکتر فرزانه مساوات
سال شروع: 1405
ارسال به دوستان