- Áustria / Österreich
- Bósnia e Herzegovina / Босна и Херцеговина
- Bulgária / България
- Croácia / Hrvatska
- República Checa; Eslováquia / Česká republika & Slovensko
- França / France
- Alemanha / Deutschland
- Grécia / ΕΛΛΑΔΑ
- Itália / Italia
- Países Baixos / Nederland
- Países Nórdicos / Nordic
- Polónia / Polska
- Portugal / Portugal
- Roménia; Moldávia / România & Moldova
- Eslovénia / Slovenija
- Sérvia; Montenegro / Србија и Црна Гора
- Espanha / España
- Suíça / Schweiz
- Turquia / Türkiye
- Reino Unido e Irlanda / UK & Ireland
ESTOCOLMO, Suécia: A geração de representações 3D de estruturas dentárias e maxilofaciais é uma etapa fundamental em muitos fluxos de trabalho odontológicos digitais; no entanto, quer envolva segmentação manual ou semiautomática, o processo pode ser demorado e sujeito a preconceitos do observador. Procurando responder a estas preocupações, investigadores na Bélgica e na Suécia treinaram e avaliaram uma plataforma baseada na nuvem para a segmentação automatizada de caninos superiores impactados em imagens de TCFC. Eles relataram que a ferramenta alcançou resultados consistentes e precisos muito mais rápido do que os especialistas.
A plataforma baseada em nuvem foi treinada usando uma rede neural convolucional, um modelo computacional que aprende a identificar condições e anomalias dentárias a partir de padrões e características em imagens. Foram utilizadas 100 imagens de TCFC apresentando impactações de caninos superiores – 50 para treinar o modelo e 50 para avaliar seu desempenho. Uma plataforma on-line baseada em nuvem previamente treinada para segmentar múltiplas estruturas dentárias e maxilofaciais, Virtual Patient Creator, foi utilizada para ambas as tarefas, e o desempenho do modelo foi avaliado em relação à segmentação semiautomática realizada por especialistas, comparando cada pixel individual no espaço 3D e o formas dos objetos nas imagens.
De acordo com os resultados do estudo, a ferramenta automatizada proporcionou segmentação consistente e precisa dos caninos superiores impactados com diversas angulações. “O desempenho do modelo foi comparável ao das [segmentações semiautomáticas] realizadas por especialistas clínicos”, escreveram os pesquisadores. Acrescentaram: “Vale ressaltar que o modelo apresentou 100% de consistência sem o problema da variabilidade humana, onde foi capaz de produzir resultados idênticos ao segmentar o mesmo caso várias vezes. Além disso, foram necessários apenas pequenos refinamentos que confirmaram a alta similaridade entre [segmentação automatizada] e [segmentação semiautomática].”
O modelo também realizou a segmentação rapidamente. Foram necessários em média 21 segundos para realizar a segmentação automatizada de caninos impactados, em comparação com uma média de 582 segundos necessários para a segmentação semiautomática, tornando-a 24 vezes mais rápida.
O estudo, intitulado “Deep learning driven segmentation of maxillary impacted canine on cone beam computed tomography images”, foi publicado online em 3 de janeiro de 2024 na Scientific Reports.
seg. 29 abril 2024
13:30 BRT (Sao Paulo)
Root caries: The challenge in today’s cariology
ter. 30 abril 2024
14:00 BRT (Sao Paulo)
Neodent Discovery: Neoarch Guided Surgery—from simple to complex cases
sex. 3 maio 2024
14:00 BRT (Sao Paulo)
Osseointegration in extrēmus: Complex maxillofacial reconstruction & rehabilitation praeteritum, praesens et futurum
ter. 7 maio 2024
21:00 BRT (Sao Paulo)
You got this! Diagnosis and management of common oral lesions
qui. 9 maio 2024
21:00 BRT (Sao Paulo)
Empowering your restorative practice: A comprehensive guide to clear aligner integration and success
seg. 13 maio 2024
10:00 BRT (Sao Paulo)
CREATING MORE PRACTICE TIME THROUGH EFFICIENCY: IMPROVED ACCURACY AND DELEGATION
seg. 13 maio 2024
14:00 BRT (Sao Paulo)
To post a reply please login or register