HỆ THỐNG THÔNG TIN KHOA HỌC VÀ CÔNG NGHỆ
Lọc theo danh mục
liên kết website
Lượt truy cập
Lượt truy cập :
20,368,473
- Công bố khoa học và công nghệ Việt Nam
76
Kỹ thuật và thiết bị y học
BB
Trần Tuấn Anh, Nguyễn Thế Huy, Nguyễn Tiến Phát, Nguyễn Thị Hoài Nhi, Võ Trương Như Ngọc(1), Trần Hoàng Anh
Ứng dụng trí tuệ nhân tạo phát hiện tổn thương sâu răng bằng bộ mã nguồn mở Teachable machine
Application of artificial intelligence in dental caries detection using the Teachable Machine open-source tool
Tạp chí Y học Việt Nam (Tổng hội Y học Việt Nam)
2024
2
353-356
1859-1868
Mô tả kết quả ứng dụng công cụ mã nguồn mở Teachable Machine đào tạo máy học để phát hiện tổn thương sâu răng trên ảnh chụp trong miệng. Phương pháp nghiên cứu: mô tả cắt ngang, thực hiện trên 988 ảnh kỹ thuật số, trong đó có 868 ảnh có tổn thương sâu răng và 120 ảnh răng bình thường. Kết quả: Trong tổng số 868 ảnh có tổn thương sâu răng sau khi nhận dạng cho kết quả nhận dạng đúng 849 ảnh (97,8%), và 19 ảnh chưa nhận dạng được tổn thương sâu răng (2,2%). Trong tổng số 988 ảnh có tổng hợp gồm những ảnh có và không có tổn thương sâu răng, cho kết quả nhận dạng đúng 849 ảnh (85,9%), và 139 ảnh (14,1%) không sâu răng. Kết luận: sử dụng công cụ mã nguồn mở Teachable Machine nhận dạng ảnh có tổn thương sâu răng cho kết quả ban đầu đáng tin cậy với tỷ lệ nhận dạng đúng khá cao chiếm tỷ lệ 97,8% (trên cùng 1 hệ dữ liệu chỉ có tổn thương sâu răng). Đối với bộ ảnh hổn hợp (sâu răng và không sâu răng) tỷ lệ nhận dạng đúng ảnh có sâu răng chỉ chiếm 85,9%, sự khác biệt là do có sự xuất hiện của những ảnh có sâu răng sớm vì màu sắc tổn thương khá tương quan với màu men răng bình thường, cần có thêm nhiều dữ liệu về dạng tổn thương này để có thể phân loại và nhận dạng chính xác hơn.
Description of the results of the open-source Teachable Machine application training machine learning to detect deep tooth decay on intraoral images Methods and Subjects: cross-sectional description, the study was conducted using 988 digital images, consisting of 868 images with dental caries and 120 images of normal teeth. Results: Out of the total 868 images with dental caries, the identification process yielded accurate results for 849 images (97.8%), with 19 images (2.2%) remaining undetected for dental caries. Among the total of 988 images, including both images with and without dental caries, the correct identification rate was 849 images (85.9%), with 139 images (14.1%) not detecting dental caries. Conclusion: The use of the Teachable Machine open-source tool for identifying images with dental caries produced initially reliable results with a high accuracy rate of 97,8% (on a dataset exclusively containing images of dental caries). However, for the mixed dataset (containing both images with and without dental caries), the accuracy rate dropped to 85,9%. This difference is attributed to the early appearance of dental caries, as the color of the caries is somewhat correlated with that of normal tooth enamel. Additional data on this type of injury is necessary to classify and identify it more accurately.
TTKHCNQG, CVv 46
Xem toàn văn