Detecção e segmentação de dentes em radiografias panorâmicas infantis usando redes neurais convolucionais baseadas em yolov8

• Ano de defesa: 2025
• Autor(a) principal: Grasel, Rafael da Rosa
• Orientador(a): Rodrigues, Jonas de Almeida
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Palavras-chave em Português: Radiografia panorâmica; Inteligência artificial; Aprendizado profundo; Aprendizado de máquina; Redes neurais convolucionais; Dente decíduo
• Palavras-chave em Inglês: Radiography; Panoramic; Artificial intelligence; Deep learning; Convolutional neural network; Pediatric dentistry; Tooth; Deciduous
• Link de acesso: http://hdl.handle.net/10183/291084

Identificar os dentes presentes nas radiografias panorâmicas infantis é o primeiro passo para um diagnóstico correto em Odontopediatria. Porém, a sobreposição de dentes decíduos e germes de dentes permanentes em formação pode ser uma dificuldades para clínicos ou radiologistas não familiarizados com a técnica radiográfica infantil. Dessa forma, o objetivo deste estudo foi desenvolver e avaliar um modelo de redes neurais convolucionais para detecção e segmentação de dentes decíduos e permanentes, erupcionados ou não, em radiografias panorâmicas de pacientes infantis de 4 a 13 anos de idade. O dataset inicial foi composto por 450 radiografias panorâmicas que foram anotadas por dois examinadores experientes. As anotações foram realizadas utilizando a ferramenta online V7Dawrin. Um modelo baseado em YOLOv8 foi desenvolvido com a separação do conjunto de dados em 80% para dados de treinamento (368 radiografias), 10% para dados de validação (41 radiografias) e 10% para dados de teste (41 radiografias). As métricas de desempenho utilizadas para avaliar o modelo mostraram uma precisão, recall, F1-score e mAP50 para a detecção dos dentes de 0,898, 0,932, 0,925 e 0,915, e para segmentação dentária de 0,875, 0,908, 0,898 e 0,891, respectivamente. O algoritmo obteve bons resultados quando avaliados os dados de teste, mesmo que com erros, os quais não interferiram na usabilidade do modelo. Com isso, o modelo de avaliação com YOLOv8 demonstrou ser capaz de identificar e segmentar os dentes, mesmo em imagens com sobreposições dentárias.