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

Abstract

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.

Identifying the presence of teeth in panoramic radiographs in children is the first step towards a correct diagnosis in pediatric dentistry. However, the overlap of deciduous teeth and permanent teeth in formation can be a difficulty for clinicians or radiologists unfamiliar with pediatric radiographic techniques. Therefore, the objective of this study was to develop and evaluate a convolutional neural network model that performs the tasks of detecting and segmenting deciduous and permanent teeth, erupted or not, in panoramic radiographs of children aged 4 to 13 years. The dataset consisted of 450 panoramic radiographs annotated by two experienced examiners. The dataset was annotated using the online tool V7Darwin. A model based on YOLOv8 was developed by separating the dataset into 80% for training data (368 radiographs), 10% for validation (41 radiographs), and 10% for test (41 radiographs). Performance metrics showed values of precision, recall, F1-score, and mAP50 for tooth detection of 0.898, 0.932, 0.925, and 0.915, and for tooth segmentation of 0.875, 0.908, 0.898, and 0.891, respectively. The algorithm showed good results when evaluating the test data, even with errors, which did not interfere with the usability of the model. Thus, the evaluation model with YOLOv8 demonstrated the capability of identifying and segmenting teeth, even in images with dental overlaps.