Integração de processamento de imagens e aprendizado de máquina na identificação de cáries em imagens de tomografia.

• Ano de defesa: 2024
• Autor(a) principal: Zanini, Luiz Guilherme Kasputis
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Biblioteca Digitais de Teses e Dissertações da USP
• Palavras-chave em Português: Aprendizado de máquina; Aprendizado profundo; Cáries; Caries identification; Classificação; Cone beam computed tomography; Deep learning, Self-supervised learning; Image processing; Machine learning; Processamento de imagens; Segmentação; Tomografia computadorizada de feixe cônico
• Link de acesso: https://www.teses.usp.br/teses/disponiveis/3/3141/tde-26082024-100240/

Os exames de Tomografia Computadorizada de Feixe Cônico (TCFC) são essenciais na área de Odontologia, tanto para o diagnóstico preciso quanto para o planejamento de tratamentos dentários complexos. Um dos achados possíveis nas imagens de TCFC são as suspeitas de cáries, que constituem um desafio por ser difícil a sua diferenciação de artefatos, principalmente causados pela atenuação de materiais densos ou metálicos. Outra dificuldade se encontra na identificação de cáries em estágios iniciais, cujo tamanho dificulta a visualização na TCFC. A identificação e a classificação de cáries por meio desses exames possibilita intervenções precoces e tratamentos eficazes de lesões cariosas. No entanto, a abordagem tradicional para identificação dessas lesões depende fortemente de avaliações visuais e interpretações de imagens por especialistas, um processo que exige tempo e esforço. As metodologias de segmentação de imagens e as técnicas de Aprendizado de Máquina têm sido cada vez mais adotadas na Odontologia para aprimorar a identificação de cáries e outras doenças. A partir de uma revisão sistemática de métodos computacionais foi constatada uma notável ausência de métodos que diferenciem os estágios das cáries, importante para definir o tratamento da mesma. Considerando os avanços tecnológicos recentes na Odontologia e as tendências e limitações identificadas na literatura atual, o objetivo deste projeto é desenvolver um método para classificação e segmentação de cáries dentárias em imagens de TCFC, integrando técnicas de processamento de imagens com técnicas de Aprendizado de Máquina. Adicionalmente, o método incorpora o uso de Aprendizado Profundo em conjunto com tarefas de Self-supervised Learning, empregando a escala do International Caries Detection and Assessment System para a classificação dos diferentes níveis de cáries. Na etapa de segmentação, foi atingido o objetivo de segmentar automaticamente a região lesionada, com precisão de 88,50%, sensibilidade de 87,33% e índice de Jaccard de 0,7037. Na classificação, foram utilizadas duas abordagens: Aprendizado de Máquina Clássico e Aprendizado Profundo com Self-supervised Learning (SSL). Na classificação com Aprendizado de Máquina Clássico, os modelos apresentaram acurácia e F1-Score macro acima de 86%. Utilizando Aprendizado Profundo com SSL, a F1-Score macro foi superior a 88%, representando uma melhoria significativa em relação aos modelos anteriores. Esses resultados mostram a eficácia da abordagem proposta ao apresentar uma análise de abordagens e técnicas para identificação e, consequentemente, a classificação da região afetada com base na pontuação do International Caries Detection and Assessment System.