Development of an automatic periapical pathologies detection and classification system in periapical radiographs using deep learning

การพัฒนาระบบตรวจจับและจำแนกโรครอบปลายรากฟันอัตโนมัติในภาพรังสีรอบปลายรากโดยใช้การเรียนรู้เชิงลึก

Name: Natdanai Hirata

LCSH: Teeth -- Radiography

LCSH: Dentistry -- Data processing

Abstract: Objectives: The main purpose of the study was to develop an artificial intelligence-based model that can detect and classify periapical pathologies in periapical radiographs (Pa). Methods: Retrospective Pas data were collected. Contrast-limited adaptive histogram equalization (CLAHE) and bilateral filtering (BF) techniques were used as pre-processing processes. You Only Look Once version 8 (YOLOv8) was used to develop the detection and classification system. The Periapical index (PAI) scoring system was used to determine the severity of the radiolucent lesion. PAI scores were divided into three classes: PAI 1, PAI 2, and PAI 3-5. Additionally, condensing osteitis (CO) was included as the fourth class. Additionally, three-classes models which excluded CO and binary-classes models which grouped PAI 1-2 and PAI 3-5 were also developed. Moreover, custom post-processing algorithms were developed to improve classification performance, Results and Discussion: The four-classes and three-classes models provided mean average precision at intersection over union of 0.5 (mAP50) of 0.49 and 0.59 respectively. Meanwhile, the binary-classes performed well with mAP50 of 0.66. The post-processing algorithms improved the models classification and effectively handled overlapping boxes. Conclusions: Together with the post-processing algorithms, the models achieved moderate accuracy. They demonstrate feasibility and potential as adjunct tools for dental practitioners, aiding in radiographic evaluation and screening.

Abstract: วัตถุประสงค์: เพื่อพัฒนาระบบตรวจจับและจำแนกโรครอบปลายรากพื้นอัตโนมัติในภาพถ่ายทางรังสีรอบปลายรากโดยใช้การเรียนรู้เชิงลึก วิธีการ: เป็นการศึกษาย้อนหลังโดยใช้ภาพทางรังสีรอบปลายราก (Periapical radiograph: Pa) โดยใช้ การประมวลผลภาพเบื้องต้น Contrast-limited adaptive histogram equalization (CLAHE) และ Bilateral Filtering (BF) เพื่อปรับภาพก่อนป้อนให้กับโมเดล โดยโมเดลการเรียนรู้เชิงลึกที่ใช้เลือกใช้ เป็น You Only Look Once (วอร์ชัน 8 (YOLOv8) ระดับความรุนแรงของรอยโรคโปร่งรังสีถูกจัดโดย การใช้ค่าดัชนี Periapical index (PAI) ในการศึกษานี้ค่า PAI จะถูกจัดเป็น PAI 1 PAI 2 และ PAI 3-5 นอกจากนี้ ยังมีรอยโรคทึบรังสีอย่าง Condensing Osteitis (CO) ในการจำแนกด้วย ในการศึกษามีการพัฒนาโมเดลสามคลาสโดยตัดรอยโรค CO ออก และ โมเดลสองคลาสที่จัดกลุ่ม PAI 1-2 และ PAI 3-5 หลังจากการทำนายผลของโมเดลมีการพัฒนากระบวนการจัดการผล เพื่อเพิ่มประสิทธิภาพการ จําแนกรอบโรย ผลลัพธ์และอภิปรายผล: โมเดลสี่คลาสและสามคลาสให้ค่า mean average precision at intersection over union of 0.5 (mAP50) ที่ 0.49 และ 0.59 ตามลำดับ ในขณะที่โมเดลสองคลาสให้ผลที่น่าพอใจ โดยให้ค่า mAP50 ที่ 0.66 กระบวนการจัดการผลที่ถูกพัฒนาขึ้นได้ทำการเพิ่มประสิทธิภาพของการ จำแนกรอยโรคได้ และยังสามารถจัดการกับการซ้อนกันของผลการทำนายโมเดลได้เป็นอย่างดี สรุป: จากการทำนายผลของโมเดลร่วมกับกระบวนการจัดการผลที่ออกแบบขึ้น โมเดลให้ผลลัพธ์ ความแม่นยำในระดับปานกลาง ซึ่งแสดงให้เห็นถึงความเป็นไปได้และศักยภาพในการเป็นเครื่องมือเสริมสำหรับทันตแพทย์ ช่วยในการประเมินและคัดกรองภาพรังสี

Chiang Mai University. Library

Address: CHIANG MAI

Email: cmulibref@cmu.ac.th

Name: Kittichai Wantanajittikul

Role: Advisor

Name: Wannakamon Panyarak

Role: Advisor

Created: 2025

Modified: 2025-10-05

Issued: 2025-10-05

วิทยานิพนธ์/Thesis

application/pdf

eng

DegreeName: Master of Science

Level: Master's Degree

Descipline: Medical Radiation Sciences

Grantor: Chiang Mai University

©copyrights Chiang Mai University

ลำดับที่.	ชื่อแฟ้มข้อมูล	ขนาดแฟ้มข้อมูล	จำนวนเข้าถึง	วัน-เวลาเข้าถึงล่าสุด
1	661135903.pdf	3.18 MB

ใช้เวลา

0.033083 วินาที