Busca avançada
Ano de início
Entree

Efeito da redução de artefatos gerados por materiais de alta densidade em imagens de tomografia computadorizada de feixe cônico por inteligência artificial no diagnóstico de fratura radicular vertical e perfuração radicular

Processo: 22/07081-5
Modalidade de apoio:Bolsas no Exterior - Estágio de Pesquisa - Pós-Doutorado
Vigência (Início): 01 de novembro de 2022
Vigência (Término): 31 de outubro de 2023
Área do conhecimento:Ciências da Saúde - Odontologia - Endodontia
Pesquisador responsável:Manoel Damiao de Sousa Neto
Beneficiário:Amanda Pelegrin Candemil
Supervisor: Filippo Gatti
Instituição Sede: Faculdade de Odontologia de Ribeirão Preto (FORP). Universidade de São Paulo (USP). Ribeirão Preto , SP, Brasil
Local de pesquisa: École Centrale Paris, França  
Vinculado à bolsa:21/01623-8 - Efeito da redução de artefatos gerados por materiais de alta densidade em imagens de tomografia computadorizada de feixe cônico por inteligência artificial no diagnóstico de fratura radicular vertical e perfuração radicular, BP.PD
Assunto(s):Aprendizagem profunda   Artefatos   Diagnóstico por imagem   Tomografia computadorizada de feixe cônico
Palavra(s)-Chave do Pesquisador:Aprendizado profundo | artefatos | diagnóstico por imagem | Endodontia | Fratura dos dentes | Tomografia Computadorizada de Feixe Cônico | Endodontia e Radiologia Odontológica

Resumo

A tomografia computadorizada de feixe cônico(TCFC) é um exame de imagem utilizado em endodontia para diagnosticar doenças e avaliar a anatomia radicular interna, porém, uma de suas limitações é a presença de artefatos que dificultam a eficácia diagnóstica. Embora a literatura apresente diferentes técnicas para reduzir artefatos, até o momento, não existem métodos eficazes que contribuam para sua redução. A rede neural convolucional profunda (DCNN) tem mostrado abordagens promissoras para reduzir apresença de artefatos oriundos de materiais de alta densidade, porém, além da literatura científica apresentar apenas dados preliminares, com redes neurais com baixo treinamento por poucas imagens de TCFC, não há informações sobre seu impacto na precisão diagnóstica de tarefas clínicas, como fratura e perfuração. Portanto, este estudo tem como objetivo criar uma DCNN para reduzir os artefatos a partir de materiais de alta densidade e baixa dose de raios X, com base em exames de TCFC, avaliar o impacto naprecisão diagnóstica de diferentes tarefas clínicas e analisar e comparar sua eficácia com outros métodos de redução de artefatos. O design inicial da DCNN Ad-hoc será corrigido nasinstalações computacionais do Mésocentre Moulon (Ruche - supercomputador Lenovo deCentraleSupélec e ENS Paris Saclay) considerando os resultados preliminares da pesquisa e todas as imagens de TCFC serão reinseridas na DCNN para validação e treinamento da rede. As imagens de TCFC serão corrigidas pela DCNN treinada e serão analisadas subjetivamente por quatroobservadores para indicar a presença de fratura radicular vertical e perfuração radicular com umescala. E, adicionalmente, as imagens serão analisadas objetivamente por um observador, que irá mensurar a relação sinal-ruído e homogeneidade do valor de cinza de uma área homogênea.Todas as imagens serão avaliadas nos softwares de CBCT OsiriX MD v.7.5.1 e e-Vol DX eserão posteriormente comparadas.

Matéria(s) publicada(s) na Agência FAPESP sobre a bolsa:
Matéria(s) publicada(s) em Outras Mídias (0 total):
Mais itensMenos itens
VEICULO: TITULO (DATA)
VEICULO: TITULO (DATA)