Detecção do segundo canal mésio-vestibular por meio de redes neurais convolucionais
Carregando...
Data de Submissão
Data de Defesa
2025-12-12
Edição
Autores
Orientadores
Coorientadores
Gamba, Thiago de Oliveira
Editores
Título da Revista
ISSN da Revista
Título de Volume
Editor
Descrição
O sucesso do tratamento endodôntico depende, entre outros fatores, da localização e tratamento de todos os canais radiculares, sendo o segundo canal mésio-vestibular (MV2) dos molares superiores um dos principais responsáveis por falhas quando não é identificado. O objetivo deste estudo foi desenvolver e avaliar o desempenho de uma rede neural convolucional para detecção do MV2 em molares superiores, em imagens de tomografia computadorizada de feixe cônico (TCFC). Vinte e dois molares superiores ex vivo foram submetidos à TCFC, e os volumes foram segmentados para gerar máscaras de verdade fundamental do MV2. A partir desses volumes, foram obtidos cortes bidimensionais utilizados para treinamento e teste de um modelo U-Net com backbone DenseNet-121. O desempenho do modelo foi comparado ao de um avaliador humano experiente, utilizando as métricas de acurácia, precisão, recall e F1-score. O observador humano alcançou acurácia de 0,98 e recall de 0,98 no conjunto de teste. O modelo apresentou acurácia de 0,83, precisão de 0,99 e recall de 0,66, com desempenho reduzido nos casos mais complexos, especialmente em canais calcificados ou muito próximos ao canal mésio-vestibular principal. Dentro dessas condições, o modelo proposto demonstrou alta precisão e acurácia global aceitável para a detecção do MV2 em cortes de TCFC, sugerindo potencial uso como ferramenta auxiliar na prática endodôntica e na interpretação de exames por imagem, embora ainda não substitua o julgamento do especialista. [resumo fornecido pelo autor]
Resumo
The success of endodontic treatment depends, among other factors, on the location and treatment of all root canals, with the second mesiobuccal canal (MB2) of maxillary molars being one of the main causes of failure when not identified. The aim of this study was to develop and evaluate the performance of a convolutional neural network for the detection of MB2 in maxillary molars on cone-beam computed tomography (CBCT) images. Twenty-two ex vivo maxillary molars were scanned with CBCT, and the volumes were segmented to generate ground truth masks of the MB2 canal. From these volumes, two-dimensional slices were obtained and used to train and test a U-Net model with a DenseNet-121 backbone. Model performance was compared with that of an experienced human observer using accuracy, precision, recall and F1-score as evaluation metrics. The human observer achieved an accuracy of 0.98 and a recall of 0.98 on the test set. The model achieved an accuracy of 0.83, a precision of 0.99 and a recall of 0.66, with reduced performance in more complex cases, especially calcified canals or canals located very close to the main mesiobuccal canal. Under these conditions, the proposed model demonstrated high precision and acceptable overall accuracy for MB2 detection on CBCT slices, suggesting its potential as an auxiliary tool in endodontic practice and image interpretation, although it does not yet replace specialist clinical judgment. . [resumo fornecido pelo autor]
Citação
Sacchet, Gustavo