BỘ KHOA HỌC VÀ CÔNG NGHỆ
HỆ THỐNG THÔNG TIN KHOA HỌC VÀ CÔNG NGHỆ

Lọc theo danh mục
  • Năm xuất bản
    Xem thêm
  • Lĩnh vực
liên kết website
Lượt truy cập
 Lượt truy cập :  21,806,178
  • Công bố khoa học và công nghệ Việt Nam

Nha khoa và phẫu thuật miệng

Võ Trương Như Ngọc(1), Phùng Thị Thu Hà

Nhận xét giá trị hỗ trợ chẩn đoán bệnh răng khôn mọc lệch của học máy

Tạp chí Y học Việt Nam (Tổng hội Y học Việt Nam)

2021

1

200-203

1859-1868

Răng khôn mọc lệch, Chẩn đoán, Học máy, Phim XQ

Nghiên cứu được thực hiện trên 100 phim XQ của bệnh nhân có răng khôn mọc lệch để xác định khả năng hỗ trợ chẩn đoán của phương pháp học máy. Đối tượng và phương pháp nghiên cứu Phần mềm học máy được xây dựng trên tập dữ liệu có 504 phim XQ Panorama, nghiên cứu thử nghiệm được thiết kế theo phương pháp thử nghiệm lâm sàng để xác định độ nhạy và độ đặc hiệu của phần mềm học máy. Kết quả Trong tổng số 187 răng khôn hàm dưới, theo bác sỹ chẩn đoán 63 răng mọc thẳng, chiếm 33,7%, 124 răng mọc lệch, chiếm 66,3%. Theo phân loại, loại 1 có 42 răng (22,5%), loại 2 có 81 răng (43,3%) và loại 4 có 1 răng (0,5%). Khi sử dụng phần mềm để chẩn đoán máy chẩn đoán được 187 răng (100%). Máy chẩn đoán giống bác sỹ ở 149 răng (79,68%). Kết luận Khi sử dụng học máy để hỗ trợ chẩn đoán bệnh lý răng khôn mọc lệch độ nhạy, độ đặc hiệu tương ứng lần lượt là 98,5%; 86% khi chẩn đoán có hay không có bệnh lý.

TTKHCNQG, CVv 46

Xem toàn văn
  • [1] Lee H, Park M, Kim J. (2017), Cephalometric landmark detection in dental x-ray images using convolutional neural networks,
  • [2] Girshick R, Donahue J, Darrell T, Malik JJItopa (2016), Region-based convolutional networks for accurate object detection and segmentation,
  • [3] Ngan, T. T., Tuan, T. M., Minh, N. H., & Dey, N. (2016), Decision Making Based on Fuzzy Aggregation Operators for Medical Diagnosis f-rom Dental X-ray images,
  • [4] Srivastava MM, Kumar P, Pradhan L, Varadarajan SJapa. (2017), Detection of tooth caries in bitewing radiographs using deep learning,
  • [5] Berdouses ED, Koutsouri GD, Tripoliti EE, et al. (2015), A computer-aided automated methodology for the detection and classification of occlusal caries f-rom photographic color images,
  • [6] 2020 (), Diagnosis of cystic lesions using panoramic and cone beam computed tomographic images based on deep learning neural network,
  • [7] Duong DL, Kabir MH, Kuo RF. (2021), Automated caries detection with smartphone color photography using machine learning,
  • [8] Oliveira, J., & Proença, H. (2011), Caries detection in panoramic dental X-ray images,
  • [9] Fernandez-Millan, R., Medina-Merodio, J. A., Plata, R. B., Martinez-Herraiz, J. J., & Gutierrez-Martinez, J. M. (2015), A laboratory test expert system for clinical diagnosis support in primary health care,