دوره 12، شماره 2 - ( 6-1402 )
|
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Soleiman Mezerji M, Sheikhzadeh S, Mirzaie M, Gholinia H. Fully automated orthodontic photograph analysis by machine learning. Caspian J Dent Res 2023; 12 (2) :70-81
URL: http://cjdr.ir/article-1-399-fa.html
URL: http://cjdr.ir/article-1-399-fa.html
سلیمان مزرجی مهدی، شیخ زاده صدیقه، میرزایی میثم، قلی نیا همت. آنالیز کاملا خودکار فتوگرافی های ارتودنسی با یادگیری ماشینی. مجله تحقيقات دندانپزشكي كاسپين. 1402; 12 (2) :70-81
، مرکز تحقیقات سلامت و بهداشت دهان، پژوهشکده سلامت، دانشگاه علوم پزشکی بابل، بابل، ایران. ، elfsh@yahoo.com
چکیده: (1616 مشاهده)
مقدمه: نسبت های آنتروپومتریک سر و صورت در علومی همچون دندانپزشکی، جراحی فک و صورت، مطالعات رشد، جراحی پلاستیک و ... کاربرد دارد. روش دستی آنالیز فتوگرافی های صورت مستلزم صرف وقت و دقت زیاد میباشد. هدف طراحی نرم افزار آنالیز تمام اتوماتیک فتوگرافی های صورت و مقایسه آن با آنالیز دستی می باشد.
مواد و روش ها: در این مطالعه مقطعی، مجموعه داده شامل ۳۹۵ فتوگرافی پروفایل، ۲۷۱ فتوگرافی فرونتال در حالت لبخند و ۳۴۶ فتوگرافی فرونتال در حالت استراحت اختصاص داده شد. یک شبکه عصبی ۲ مرحله ای با معماری شبکه عصبی کانولوشنال کامل برای مکان یابی لندمارک ها طراحی شد. دو روش آنالیز دستی و اتوماتیک در اندازه گیری ۸ متغیر فضای راهرو باکال، نسبت ارتفاع یک سوم میانی به یک سوم تحتانی صورت و زوایای تحدب کل صورت، تحدب صورت، بینی-صورت، نازولبیال، منتولبیال و نازوفرونتال مقایسه شدند. میزان توافق دو روش با استفاده از آزمون T-test زوجی در سطح معنا داری ۰/۰۵ و محاسبه ضریب ICC ارزیابی گردید. سطح معنی داری کمتر از ۰/۰۵ تعیین شد.
یافته ها: در زوایای تحدب کل صورت (0.005P=)، بینی-صورتP=0.001) ) و نازولبیال (P=0.02)، بین دو روش اختلاف معنی داری مشاهده شد؛ اما در ۵ متغیر تحدب صورت، منتولبیال، نازوفرونتال، فضای راهرو باکال و نسبت ارتفاع یک سوم میانی به یک سوم تحتانی صورت اختلاف معناداری بین ۲ روش مشاهده نشد. ضریب ICC برای همه متغیر ها به جز زاویه نازولبیال بیش از ۰/۶۹ بدست آمد. در اکثر متغیرهای اندازه گیری شده، دقت روش خودکار مشابه روش دستی بود.
نتیجه گیری: یادگیری ماشینی پتانسیل استفاده در آنالیز بالینی بافت نرم را دارند؛ همچنین توانایی انجام آنالیز های قابل اعتماد و قابل تکرار بر روی دیتاهای بزرگی از تصاویر را فراهم می کند.
مواد و روش ها: در این مطالعه مقطعی، مجموعه داده شامل ۳۹۵ فتوگرافی پروفایل، ۲۷۱ فتوگرافی فرونتال در حالت لبخند و ۳۴۶ فتوگرافی فرونتال در حالت استراحت اختصاص داده شد. یک شبکه عصبی ۲ مرحله ای با معماری شبکه عصبی کانولوشنال کامل برای مکان یابی لندمارک ها طراحی شد. دو روش آنالیز دستی و اتوماتیک در اندازه گیری ۸ متغیر فضای راهرو باکال، نسبت ارتفاع یک سوم میانی به یک سوم تحتانی صورت و زوایای تحدب کل صورت، تحدب صورت، بینی-صورت، نازولبیال، منتولبیال و نازوفرونتال مقایسه شدند. میزان توافق دو روش با استفاده از آزمون T-test زوجی در سطح معنا داری ۰/۰۵ و محاسبه ضریب ICC ارزیابی گردید. سطح معنی داری کمتر از ۰/۰۵ تعیین شد.
یافته ها: در زوایای تحدب کل صورت (0.005P=)، بینی-صورتP=0.001) ) و نازولبیال (P=0.02)، بین دو روش اختلاف معنی داری مشاهده شد؛ اما در ۵ متغیر تحدب صورت، منتولبیال، نازوفرونتال، فضای راهرو باکال و نسبت ارتفاع یک سوم میانی به یک سوم تحتانی صورت اختلاف معناداری بین ۲ روش مشاهده نشد. ضریب ICC برای همه متغیر ها به جز زاویه نازولبیال بیش از ۰/۶۹ بدست آمد. در اکثر متغیرهای اندازه گیری شده، دقت روش خودکار مشابه روش دستی بود.
نتیجه گیری: یادگیری ماشینی پتانسیل استفاده در آنالیز بالینی بافت نرم را دارند؛ همچنین توانایی انجام آنالیز های قابل اعتماد و قابل تکرار بر روی دیتاهای بزرگی از تصاویر را فراهم می کند.
نوع مطالعه: مقاله پژوهشي |
موضوع مقاله:
ارتودنتیکس
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
