Uso de redes neuronales en el procesamiento de imágenes odontológicas

Abstract

En este trabajo se aborda el problema de la detección de puntos característicos en imágenes médicas bidimensionales obtenidas mediante técnicas de rayos X, para lo cual se hizo uso de aprendizaje automático basado en redes neuronales artificiales. En particular, se abordó el problema de identificación de puntos característicos en imágenes cefalométricas de uso odontológico, no solo por su alto valor profesional, sino sobre todo porque este problema representa un gran desafío para el uso de inteligencia artificial en el reemplazo de expertos humanos. Se introdujo una arqui- tectura novedosa, no utilizada anteriormente en la literatura, la cual combina el uso de redes neuronales convolucionadas profundas con núcleos convolucionales de di- ferentes tamaños (capas inception) y la arquitectura de autoencoder para asociar a una imagen de entrada un mapa de probabilidades sobre la misma. Se utilizaron diferentes redes y se realizó un estudio comparativo, llegando a mostrar que estas redes introducidas tienen un excelente desempeño a la hora de identificar puntos característicos, superando las que se conocen en la bibliografía. En otras palabras, los modelos presentados en este trabajo mostraron una gran presición en detección de posiciones de landmarks, superando hasta en más de 7 puntos porcentuales los desempeños de los mejores modelos presentados en la literatura.

In this work the problem of the detection of characteristic points in two-dimensional medical images obtained by X-ray techniques was addressed, for which automatic learning based on artificial neural networks is used. In particular, the problem of identifying characteristic points in odontologic cephalometric images was addres- sed, not only because of its high professional value, but above all because this pro- blem represents a great challenge for the use of artificial intelligence in the repla- cement of human experts. A novel architecture, not previously used in the literatu- re was introduced, which combines the use of deep convolutional neural networks with convolutional kernels of different sizes (inception layers) and the autoencoder architecture to associate an input image with a map of probabilities over it. Different networks were used and a comparative study was carried out, showing that these introduced networks have an excellent performance when identifying characteris- tic points, surpassing those that are known in the bibliography. In other words, the models presented in this work showed great precision in detecting landmarks posi- tions, surpassing the performance of the best models presented in the literature by more than 7 percentage points.