Resumo: O presente estudo teve como objetivo avaliar a capacidade de uma ferramenta orientada por inteligência artificial (IA) segmentar o canal mandibular (CM) com o loop anterior (LA) acuradamente e em tempo hábil através de imagens de tomografia computadorizada de feixe cônico (TCFC). Para a otimização da rede de IA desenvolvida e capaz de realizar segmentação por voxel do CM, o treinamento da rede para a detecção de LA utilizou 93 exames de TCFC, os quais apresentavam 30 CMs com LA. Os exames de TCFC foram coletados do banco de dados do Hospital Universitário de Leuven (UZ Leuven), provenientes de três aparelhos de TCFC, NewTom VGI EVO, ProMax 3D MAX e Accuitomo 170, com variações dos parâmetros: tamanho de campo de visão (10x10, 12x8 e 15x12), tamanho de voxel (160, 200 e 250 µm), miliamperagem (3-8) e kilovoltagem (90 e 110). Em seguida, os exames foram importados para a ferramenta desenvolvida e orientada por IA. Após a segmentação automatizada do CM pela ferramenta, dois radiologistas orais avaliaram em consenso a qualidade da segmentação, enquanto faziam pequenos ajustes manuais quando julgavam necessários. A validação da rede e sua ferramenta foi realizada utilizando 27 exames de TCFC, e então foi realizada o teste da rede para detecção de CM com (n=40) e sem (n=14) LA em outros 27 exames de TCFC. O CM foi dividido em três seções: anterior, central e posterior, e foi contabilizado o tempo gasto para refinar manualmente a segmentação orientada por IA em cada seção. A segmentação orientada por IA e a segmentação refinada pelos radiologistas foram exportadas em formato Standard Tessellation Language. Em seguida, as segmentações foram comparadas através de valores de verdadeiro positivo, verdadeiro negativo, falso positivo e falso negativo determinados de acordo com os pixels que a rede de IA previu quando comparado à segmentação refinada, utilizada como padrão de referência. Tais valores serviram de base para calcular as métricas de acurácia da segmentação orientada por IA...
O resumo poderá ser visualizado no texto completo da tese digital Ver menos

Abstract: The aim of the present study was to evaluate the ability of an artificial intelligence (AI)-guided tool accurately and timely segment the mandibular canal (MC) with the anterior loop (AL) through cone beam computed tomography (CBCT) images. To optimize the developed AI network capable of performing voxel segmentation of the MC, the network training for LA detection used 93 CBCT scans, which presented 30 MCs with AL. The CBCT scans were collected from the University Hospital of Leuven (UZ Leuven) database from three CBCT scanners, NewTom VGI EVO, ProMax 3D MAX, and Accuitomo 170, which varied field of view dimensions (10x10, 12x8, and 15x12), voxel size (160, 200 and 250 ?m), milliamperage (3-8), and kilovoltage (90 and 110). Subsequently, the scans were imported into the developed AI-driven tool. After the automated segmentation of the MC by the tool, two oral radiologists evaluated in consensus the quality of the segmentation, while making minor manual adjustments when deemed necessary. Validation of the network and its tool was performed using 27 CBCT scans, and then testing of the network for MC detection with (n=40) and without (n=14) LA was performed on another 27 CBCT scans. The MC was divided into three sections: anterior, central, and posterior, and the time spent manually refining the AI-driven segmentation in each section was noted. The AI-guided segmentation and the segmentation refined by the radiologists were exported in Standard Tessellation Language format. Then, the segmentations were compared using true positive, true negative, false positive, and false negative values determined according to the pixels that the AI network predicted when compared to the refined segmentation used as a reference standard. Such values were used to calculate the accuracy metrics of the AI-driven segmentation...
Abstract is available with the full The electronic document Ver menos