Hledání zubních kazů v bitewing rentgenových snímcích pomocí detekce změn

Abstract

Automatická detekce zubních kazů získala popularitu spolu s roustoucími úspěchy metod hlubokého učení. Tyto modely však vyžadují značné množství anotovaných dat, kterých nemusí vždy být dostatek a jsou obtížné získat. Na druhou stranu lze předpokládat, že detekcí změn v kazech mezi dvěma rentgenovými snímky od stejného pacienta snížíme potřebu velkého množství anotovaných dat. Protože vědecká literatura nabízí omezené informace týkající se výzkumů automatické detekce změn kazů, tato práce využívá poznatků z jiných medicínských odvětví a výzkumů na téma dálkového pozorování Země. Kromě detekce změn se tato práce věnuje metodám registrace snímků pomocí automatické detekce významných bodů a jejich párování. V rámci této diplomové práce jsou navrženy dva modely pro detekci změn. Jeden model je založený na aproximaci pozadí pomocí slovníkových metod, zatímco druhý využívá analýzy hlubokých informací extrahovaných z hluboké konvoluční sítě. Navržené modely jsou následně vyhodnoceny na syntetických a realných snímcích a modely dosáhly AUC skóre rovno 0.79 a F1 skóre rovno 0.68.

Automatic dental caries detection has gained popularity with the advancement of deep learning techniques. However, these models often demand substantial labelled data, which are both limited and challenging to obtain. In response, this thesis hypothesizes that detecting changes between two X-ray scans of the same patient may offer a less data-intensive yet effective alternative to caries detection. Given the scarcity of research on dental caries change detection, this study delves into methodologies proposed in other medical domains for change detection as well as remote sensing. Additionally, it explores image alignment techniques utilizing automatically detected and matched landmarks and introduces two algorithms for change detection based on dictionary background estimation and analysis of deep features extracted from a deep convolutional network. The proposed models are evaluated on synthetically adjusted scans and real radiographs, reaching AUC score of 0.79 and F1 score of 0.68.