Otomatik Teşhis ve Uzaktan Diş Hekimliği Yapay Zekası için Diş Görüntüsü Etiketleme — Vaka Çalışması
Shaip'in, otomatik diş teşhisi, tedavi planlaması ve uzaktan diş hekimliği yapay zekası için üretim kalitesinde bir veri seti olarak oluşturulan, diş röntgenleri, ağız içi kamera görüntüleri ve klinik fotoğraflar üzerinden tek tek dişlerin hassas poligon segmentasyonunu nasıl gerçekleştirdiği anlatılıyor.
Projeye Genel Bakış
Diş hekimliğinde yapay zekanın otomatik teşhis ve uzaktan diş hekimliği uygulamalarına doğru ilerlemesiyle birlikte, müşteri, tutarlı diş notasyonuyla birden fazla görüntüleme yönteminde tek tek dişleri (taç, kök ve çevre doku) segmentlere ayırabilen, klinik temelli bir açıklama hattına ihtiyaç duyuyordu.
Shaip, poligon hassasiyetinde diş segmentasyonu, standart diş notasyonuyla diş numaralandırma, çok özellikli durum etiketleme ve görünürlük işaretleme işlemlerini kapsayan uçtan uca bir açıklama hattı oluşturarak, diş teşhis yapay zekası için modele hazır veri kümeleri üretti.
Anahtar İstatistikler
Açıklama Türü
Çokgen Segmenti.
Diş Kaplaması
Tam Kemer
Durum Etiketleri
5
Görüntü Kaynakları
3
Meydan Okumalar
- İzleme kesin taç, kök ve doku sınırları çokgen segmentasyonu ile
- Kaplama kesici dişler, köpek dişleri, küçük azı dişleri ve azı dişleri hem üst hem de alt kemerlerde
- Çalışma alanı genelinde üç görüntüleme kaynağı — Röntgen filmleri, ağız içi kameralar ve klinik fotoğraflar
- Uygulanması standart diş notasyonu tutarlı diş numaralandırması için
- Etiketleme durum sağlıklı, çürümüş, kırık, eksik ve dolgulu dişler dahil
Çözüm
Çokgen Diş Segmentasyonu
Her görüntüdeki her diş, taç, kök ve çevre doku kenarları da dahil olmak üzere her diş yapısının kesin sınırlarını izleyen hassas çokgen segmentasyonu kullanılarak ayrı ayrı etiketlendi. Çokgen yoğunluğu, gereksiz köşe yükü olmadan organik diş konturlarını yakalamak için kalibre edildi.
Tam Kemer Kapsamı
Ek açıklamalar, üst ve alt çene kemerlerindeki tüm diş tiplerini (kesici dişler, köpek dişleri, küçük azı dişleri ve büyük azı dişleri) kapsıyordu. Görünür her diş kendi çokgenine ve özellik setine sahip oldu; bu da sonraki teşhis modellerinin tedavi planlaması için ağız içi tam bağlamına sahip olmasını sağladı.
Çok Modlu Görüntüleme Kaynağı İşleme
Veri seti, her biri farklı görüntüleme özelliklerine sahip diş röntgenlerini, ağız içi kamera görüntülerini ve klinik fotoğrafları kapsıyordu. Etiketleme uzmanları, farklı görüntüleme türleri arasında tutarlı etiketlemeyi sağlamak ve eğitilmiş modelin klinik görüntüleme türleri arasında genelleme yapabilmesini garanti etmek için kaynağa özgü yönergeleri izledi.
Standart Diş Notasyonu
İşaretlenmiş her diş, standart diş notasyonu kullanılarak numarasıyla etiketlendi; bu da mevcut diş kayıt sistemleriyle doğrudan entegre olan otomatik teşhis çıktılarını mümkün kıldı. Bu notasyon tutarlılığı, veri setinin klinik iş akışına entegrasyonu için hemen kullanılabilir olmasını sağlar.
Durum ve Görünürlük Etiketleme
Poligon yerleştirmenin ötesinde, her dişe durum etiketi (sağlıklı, çürük, kırık, eksik veya dolgulu) ve görünürlük durumu (tamamen görünür, kısmen kapalı veya engellenmiş) eklendi. Bu çok katmanlı etiketleme, hem tespit hem de teşhis amaçlı yapay zeka uygulamalarını desteklemektedir.
Proje kapsamı
| Veri Kümesi Türü | Ek Açıklama Yöntemi | Görüntü Kaynakları | Diş Kaplaması | Durum Etiketleri | Gösterim |
|---|---|---|---|---|---|
| Diş poligon segmentasyonu | Çokgen segmentasyonu | X-ışını + ağız içi + klinik | Üst ve alt kemerlerin tamamı | 5 (sağlıklı, çürük, kırık, eksik, dolgulu) | Standart diş notasyonu |
Çıktıları
- Kurulmuş bir klinik temelli diş segmentasyon hattı üç görüntüleme yöntemi boyunca
- Standardize standart diş notasyonu Klinik sistem entegrasyonu için diş numaralandırması
- teslim 5 sınıflı durum etiketleme sağlıklı dişlerden dolgulu dişlere kadar uzanan
- muhafaza çokgen düzeyinde hassasiyet taç, kök ve doku kenarlarını yakalama
- Müşterinin etkinleştirilmesi otomatik diş teşhisi, tedavi planlaması ve uzaktan diş hekimliği Yapay zeka yol haritası
Genel olarak, Shaip, çok modlu diş görüntüleme gereksinimini, klinik düzeyde hassasiyetle otomatik diş teşhisi, yapay zeka destekli tedavi planlaması, ağız sağlığı takibi ve uzaktan diş hekimliği uygulamalarını destekleyebilen, klinik olarak yapılandırılmış, üretime hazır bir segmentasyon hattına dönüştürmeye yardımcı oldu.
Shaip'in çokgen segmentasyon yöntemi, tanı modelimizin ihtiyaç duyduğu her şeyi - taç, kök ve doku kenarları - doğru diş notasyonuyla birlikte tam olarak yakaladı. Çoklu modalite kapsamı, modelimizi röntgen ve ağız içi görüntüleme genelinde sağlam hale getirdi.
