Modelo de Detección de la Pérdida Ósea Radiográfica Basada en Deep Learning

Presentamos el proceso de etiquetado de una base de datos compuestas por radiografías de tipo periapical con los atributos utilizados para la detección de la Perdida Ósea Radiográfica como información de desarrollo de un modelo de aprendizaje convolucional. Las radiografías periapicales fueron extra...

Full description

Autores:: Manjarres Campo, Christian David

Tipo de recurso:: Trabajo de grado de pregrado

Fecha de publicación:: 2022

Institución:: Universidad Santo Tomás

Repositorio:: Repositorio Institucional USTA

Idioma:

id	SANTOTOMAS_6323b391d84dc24e2a1b1b1bf96d1659
oai_identifier_str	oai:repository.usta.edu.co:11634/42508
network_acronym_str	SANTOTOMAS
network_name_str	Repositorio Institucional USTA
repository_id_str
dc.title.spa.fl_str_mv	Modelo de Detección de la Pérdida Ósea Radiográfica Basada en Deep Learning
title	Modelo de Detección de la Pérdida Ósea Radiográfica Basada en Deep Learning
spellingShingle	Modelo de Detección de la Pérdida Ósea Radiográfica Basada en Deep Learning Periapical X Ray Labels Tooth Periodontics Periodontal Bone Loss Deep Learning Artificial Intelligence Tecnología de la información Cambio tecnológico Salud Tecnología de la información (equipos) Mecatrónica Radiografías Periapicales Etiquetado Piezas Dentales Periodoncia Perdida Osea Radiográfica Deep Learning Inteligencia Artificial
title_short	Modelo de Detección de la Pérdida Ósea Radiográfica Basada en Deep Learning
title_full	Modelo de Detección de la Pérdida Ósea Radiográfica Basada en Deep Learning
title_fullStr	Modelo de Detección de la Pérdida Ósea Radiográfica Basada en Deep Learning
title_full_unstemmed	Modelo de Detección de la Pérdida Ósea Radiográfica Basada en Deep Learning
title_sort	Modelo de Detección de la Pérdida Ósea Radiográfica Basada en Deep Learning
dc.creator.fl_str_mv	Manjarres Campo, Christian David
dc.contributor.advisor.none.fl_str_mv	Valencia Niño, Cesar Hernando Paez Casas, Deisy Carolina
dc.contributor.author.none.fl_str_mv	Manjarres Campo, Christian David
dc.contributor.orcid.Spa.fl_str_mv	https://orcid.org/0000-0001-6582-771X https://orcid.org/0000-0001-6077-6458
dc.contributor.googlescholar.Spa.fl_str_mv	https://scholar.google.com.co/citations?user=-01zsQoAAAAJ&hl=es&oi=ao
dc.contributor.googlescholar.none.fl_str_mv	https://scholar.google.com/citations?hl=es&user=6lIl3msAAAAJ
dc.contributor.cvlac.Spa.fl_str_mv	https://scienti.minciencias.gov.co/cvlac/visualizador/generarCurriculoCv.do?cod_rh=0001743009 https://scienti.minciencias.gov.co/cvlac/visualizador/generarCurriculoCv.do?cod_rh=0001387730 https://scienti.minciencias.gov.co/cvlac/visualizador/generarCurriculoCv.do?cod_rh=0000542652
dc.contributor.corporatename.spa.fl_str_mv	Universidad Santo Tomás
dc.subject.keyword.spa.fl_str_mv	Periapical X Ray Labels Tooth Periodontics Periodontal Bone Loss Deep Learning Artificial Intelligence
topic	Periapical X Ray Labels Tooth Periodontics Periodontal Bone Loss Deep Learning Artificial Intelligence Tecnología de la información Cambio tecnológico Salud Tecnología de la información (equipos) Mecatrónica Radiografías Periapicales Etiquetado Piezas Dentales Periodoncia Perdida Osea Radiográfica Deep Learning Inteligencia Artificial
dc.subject.lemb.spa.fl_str_mv	Tecnología de la información Cambio tecnológico Salud Tecnología de la información (equipos) Mecatrónica
dc.subject.proposal.spa.fl_str_mv	Radiografías Periapicales Etiquetado Piezas Dentales Periodoncia Perdida Osea Radiográfica Deep Learning Inteligencia Artificial
description	Presentamos el proceso de etiquetado de una base de datos compuestas por radiografías de tipo periapical con los atributos utilizados para la detección de la Perdida Ósea Radiográfica como información de desarrollo de un modelo de aprendizaje convolucional. Las radiografías periapicales fueron extraídas previo protocolo ético y moral ante la Dirección Administrativa General de Servicios de Salud de la Universidad Santo Tomas, tales radiografías presentan variaciones de acuerdo con el protocolo de toma radiográfica, radio lucidez, radiopacidad, contrastes, indicaciones del especialista, cuadrante de la boca, entre otras. Tomando en cuenta la normativa de trabajo periodontal se identificaron los puntos de interés para la identificación de la Perdida Ósea Radiográfica y bajo la supervisión de expertos periodoncistas se realizó el proceso de etiquetado bajo la técnica de caja delimitadora. Teniendo así 2379 Radiografías Periapicales de las cuales se identificaron 4175 piezas dentales y 5229 puntos de interés para identificación de la Perdida Ósea Radiográfica.
publishDate	2022
dc.date.accessioned.none.fl_str_mv	2022-01-21T21:58:38Z
dc.date.available.none.fl_str_mv	2022-01-21T21:58:38Z
dc.date.issued.none.fl_str_mv	2022-01-21
dc.type.none.fl_str_mv	bachelor thesis
dc.type.local.spa.fl_str_mv	Tesis de pregrado
dc.type.version.none.fl_str_mv	info:eu-repo/semantics/acceptedVersion
dc.type.category.spa.fl_str_mv	Formación de Recurso Humano para la Ctel: Trabajo de grado de Pregrado
dc.type.coar.none.fl_str_mv	http://purl.org/coar/resource_type/c_7a1f
dc.type.drive.none.fl_str_mv	info:eu-repo/semantics/bachelorThesis
format	http://purl.org/coar/resource_type/c_7a1f
status_str	acceptedVersion
dc.identifier.citation.spa.fl_str_mv	Manjarres Campo, C. D. (2021). Modelo de Detección de la Pérdida Ósea Radiográfica Basada en Deep Learning. [Trabajo de Grado, Universidad Santo Tomás]. Repositorio Institucional.
dc.identifier.uri.none.fl_str_mv	http://hdl.handle.net/11634/42508
dc.identifier.repourl.spa.fl_str_mv	repourl:https://repository.usta.edu.co
identifier_str_mv	Manjarres Campo, C. D. (2021). Modelo de Detección de la Pérdida Ósea Radiográfica Basada en Deep Learning. [Trabajo de Grado, Universidad Santo Tomás]. Repositorio Institucional. repourl:https://repository.usta.edu.co
url	http://hdl.handle.net/11634/42508
dc.relation.references.spa.fl_str_mv	[1] E. P.I, D. B.A, W. L, T.-E. G.O y G. R.J, «Prevalence of periodontitis in Adults in the United States: 2009 and 2010,» J Dent Res , 2012. [2] J. G. Caton, G. Armitage, T. Berglundh, I. L. Chapple, S. Jepsen, K. S. Kornman, B. L. Mealey, P. N. Papapanou, M. Sanz y M. S. Tonetti, «A new classification scheme for peridontal and peri-implant diseases and conditions - introduction and key changes from the 1999 classification,» AAP - Journal of Periodontology, 2018. [3] M. B.V Mundim, D. R. Dias, R. M. Costa, C. R. Leles y P. M. Azevedo-Marques, «Intraoral radiographs texture analysis for dental implant planning,» ELSEVIER - CMPB, pp. 89-96, 2016. [4] K. Zhang, J. Wu, H. Chen y P. Lyu, «An effective teeth recognition method using label tree with cascade network,» ElSevier - Compmedimag, pp. 61-70, 2018. [5] J. Krois, T. Ekert, L. Meinhold, T. Golla, B. Kharbot, A. Wittemeir, C. Dorfer y F. Schwendicke, «Deeep Learning for the Radiographic Detection of Periodontal Bone Loss,» Scientific Reports, 2019. [6] C. Huyk-Joon, L. Sang-Jeong, T.-H. S. Nan-Young, J. Bong-Geon, K. Jo-Eun, H. Kyung-Hoe, L. Sam-Sun, H. Min-Suk, C. Soon-Chul, K. Tae-Il y Y. Won-Jin, «Deep Learning Hybrid Method to Automatically Diagnose Periodontal Bone Loss And Stage Periodontiti,» Scientific Reports, 2021.
dc.rights.*.fl_str_mv	Atribución-NoComercial 2.5 Colombia Atribución-NoComercial-CompartirIgual 2.5 Colombia
dc.rights.uri.*.fl_str_mv	http://creativecommons.org/licenses/by-nc-sa/2.5/co/
dc.rights.local.spa.fl_str_mv	Abierto (Texto Completo)
dc.rights.accessrights.none.fl_str_mv	info:eu-repo/semantics/openAccess
dc.rights.coar.none.fl_str_mv	http://purl.org/coar/access_right/c_abf2
rights_invalid_str_mv	Atribución-NoComercial 2.5 Colombia Atribución-NoComercial-CompartirIgual 2.5 Colombia http://creativecommons.org/licenses/by-nc-sa/2.5/co/ Abierto (Texto Completo) http://purl.org/coar/access_right/c_abf2
eu_rights_str_mv	openAccess
dc.format.mimetype.spa.fl_str_mv	application/pdf
dc.coverage.campus.spa.fl_str_mv	CRAI-USTA Bucaramanga
dc.publisher.program.spa.fl_str_mv	Pregrado Ingeniería Mecatrónica
institution	Universidad Santo Tomás
bitstream.url.fl_str_mv	https://repository.usta.edu.co/bitstream/11634/42508/9/2022manjarreschristian https://repository.usta.edu.co/bitstream/11634/42508/10/2022cartaaprobaci%c3%b3nfacultad https://repository.usta.edu.co/bitstream/11634/42508/11/2022cartaderechosautor https://repository.usta.edu.co/bitstream/11634/42508/12/2022manjarreschristian.jpg https://repository.usta.edu.co/bitstream/11634/42508/13/2022cartaaprobaci%c3%b3nfacultad.jpg https://repository.usta.edu.co/bitstream/11634/42508/14/2022cartaderechosautor.jpg https://repository.usta.edu.co/bitstream/11634/42508/8/license.txt https://repository.usta.edu.co/bitstream/11634/42508/7/license_rdf https://repository.usta.edu.co/bitstream/11634/42508/6/2022manjarreschristian https://repository.usta.edu.co/bitstream/11634/42508/2/2022cartaaprobaci%c3%b3nfacultad https://repository.usta.edu.co/bitstream/11634/42508/3/2022cartaderechosautor
bitstream.checksum.fl_str_mv	2987077eb0e713a7f9b72e24fe914d29 e9848602902170d2cda5c1ee876e1998 d7601b0b7217c35f873536e5102beddc 2987077eb0e713a7f9b72e24fe914d29 e9848602902170d2cda5c1ee876e1998 d7601b0b7217c35f873536e5102beddc aedeaf396fcd827b537c73d23464fc27 1487462a1490a8fc01f5999ce7b3b9cc c370c500349b902d3a2712489f7cc7b3 2047f1d217f4c1e59ed09e1297941619 91266d2c20441a3060eec6ec39b05c0f
bitstream.checksumAlgorithm.fl_str_mv	MD5 MD5 MD5 MD5 MD5 MD5 MD5 MD5 MD5 MD5 MD5
repository.name.fl_str_mv	Repositorio Universidad Santo Tomás
repository.mail.fl_str_mv	repositorio@usta.edu.co
_version_	1860882522080018432
spelling	Valencia Niño, Cesar HernandoPaez Casas, Deisy CarolinaManjarres Campo, Christian Davidhttps://orcid.org/0000-0001-6582-771Xhttps://orcid.org/0000-0001-6077-6458https://scholar.google.com.co/citations?user=-01zsQoAAAAJ&hl=es&oi=aohttps://scholar.google.com/citations?hl=es&user=6lIl3msAAAAJhttps://scienti.minciencias.gov.co/cvlac/visualizador/generarCurriculoCv.do?cod_rh=0001743009https://scienti.minciencias.gov.co/cvlac/visualizador/generarCurriculoCv.do?cod_rh=0001387730https://scienti.minciencias.gov.co/cvlac/visualizador/generarCurriculoCv.do?cod_rh=0000542652Universidad Santo Tomás2022-01-21T21:58:38Z2022-01-21T21:58:38Z2022-01-21Manjarres Campo, C. D. (2021). Modelo de Detección de la Pérdida Ósea Radiográfica Basada en Deep Learning. [Trabajo de Grado, Universidad Santo Tomás]. Repositorio Institucional.http://hdl.handle.net/11634/42508repourl:https://repository.usta.edu.coPresentamos el proceso de etiquetado de una base de datos compuestas por radiografías de tipo periapical con los atributos utilizados para la detección de la Perdida Ósea Radiográfica como información de desarrollo de un modelo de aprendizaje convolucional. Las radiografías periapicales fueron extraídas previo protocolo ético y moral ante la Dirección Administrativa General de Servicios de Salud de la Universidad Santo Tomas, tales radiografías presentan variaciones de acuerdo con el protocolo de toma radiográfica, radio lucidez, radiopacidad, contrastes, indicaciones del especialista, cuadrante de la boca, entre otras. Tomando en cuenta la normativa de trabajo periodontal se identificaron los puntos de interés para la identificación de la Perdida Ósea Radiográfica y bajo la supervisión de expertos periodoncistas se realizó el proceso de etiquetado bajo la técnica de caja delimitadora. Teniendo así 2379 Radiografías Periapicales de las cuales se identificaron 4175 piezas dentales y 5229 puntos de interés para identificación de la Perdida Ósea Radiográfica.among diseases classified as most common in diagnosis we find dental cavities, toothache, sore gums, dental abscess. Which in some cases are underlining a more complex treatment for a periodontal disease for which 2 out of 5 adults in the USA are affected by any classification of a periodontal disease (P.I, B.A, L, G.O, & R.J, 2012). We present a labeling process for a database composed of periapical x ray using Periodontal Bone Loss attributes as information for training, validation, and test of a convolutional deep learning model. The x rays were extracted previous permission of the DAGSS of Universidad Santo Tomas, such x rays present variations accordingly to x ray protocol, radiolucency, radiopacity, contrast, specialist indications, mouth quadrants, among other things. Taking into consideration the periodontal workshop we identified the points of interest used for the identification of the Periodontal Bone Loss under supervision of periodontal experts using the bounding box technique we labeled 4175 tooth and 5229 points of interest out of 2379 x rays.Ingeniero Mecatrónicohttps://www.ustabuca.edu.co/Pregradoapplication/pdfAtribución-NoComercial 2.5 ColombiaAtribución-NoComercial-CompartirIgual 2.5 Colombiahttp://creativecommons.org/licenses/by-nc-sa/2.5/co/Abierto (Texto Completo)info:eu-repo/semantics/openAccesshttp://purl.org/coar/access_right/c_abf2Modelo de Detección de la Pérdida Ósea Radiográfica Basada en Deep Learningbachelor thesisTesis de pregradoinfo:eu-repo/semantics/acceptedVersionFormación de Recurso Humano para la Ctel: Trabajo de grado de Pregradohttp://purl.org/coar/resource_type/c_7a1finfo:eu-repo/semantics/bachelorThesisPregrado Ingeniería MecatrónicaPeriapical X RayLabelsToothPeriodonticsPeriodontal Bone LossDeep LearningArtificial IntelligenceTecnología de la informaciónCambio tecnológicoSaludTecnología de la información (equipos)MecatrónicaRadiografías PeriapicalesEtiquetadoPiezas DentalesPeriodonciaPerdida Osea RadiográficaDeep LearningInteligencia ArtificialCRAI-USTA Bucaramanga[1] E. P.I, D. B.A, W. L, T.-E. G.O y G. R.J, «Prevalence of periodontitis in Adults in the United States: 2009 and 2010,» J Dent Res , 2012.[2] J. G. Caton, G. Armitage, T. Berglundh, I. L. Chapple, S. Jepsen, K. S. Kornman, B. L. Mealey, P. N. Papapanou, M. Sanz y M. S. Tonetti, «A new classification scheme for peridontal and peri-implant diseases and conditions - introduction and key changes from the 1999 classification,» AAP - Journal of Periodontology, 2018.[3] M. B.V Mundim, D. R. Dias, R. M. Costa, C. R. Leles y P. M. Azevedo-Marques, «Intraoral radiographs texture analysis for dental implant planning,» ELSEVIER - CMPB, pp. 89-96, 2016.[4] K. Zhang, J. Wu, H. Chen y P. Lyu, «An effective teeth recognition method using label tree with cascade network,» ElSevier - Compmedimag, pp. 61-70, 2018.[5] J. Krois, T. Ekert, L. Meinhold, T. Golla, B. Kharbot, A. Wittemeir, C. Dorfer y F. Schwendicke, «Deeep Learning for the Radiographic Detection of Periodontal Bone Loss,» Scientific Reports, 2019.[6] C. Huyk-Joon, L. Sang-Jeong, T.-H. S. Nan-Young, J. Bong-Geon, K. Jo-Eun, H. Kyung-Hoe, L. Sam-Sun, H. Min-Suk, C. Soon-Chul, K. Tae-Il y Y. Won-Jin, «Deep Learning Hybrid Method to Automatically Diagnose Periodontal Bone Loss And Stage Periodontiti,» Scientific Reports, 2021.THUMBNAIL2022manjarreschristian2022manjarreschristianIM Thumbnailimage/jpeg8766https://repository.usta.edu.co/bitstream/11634/42508/9/2022manjarreschristian2987077eb0e713a7f9b72e24fe914d29MD59open access2022cartaaprobaciónfacultad2022cartaaprobaciónfacultadIM Thumbnailimage/jpeg9535https://repository.usta.edu.co/bitstream/11634/42508/10/2022cartaaprobaci%c3%b3nfacultade9848602902170d2cda5c1ee876e1998MD510metadata only access2022cartaderechosautor2022cartaderechosautorIM Thumbnailimage/jpeg10718https://repository.usta.edu.co/bitstream/11634/42508/11/2022cartaderechosautord7601b0b7217c35f873536e5102beddcMD511metadata only access2022manjarreschristian.jpg2022manjarreschristian.jpgIM Thumbnailimage/jpeg8766https://repository.usta.edu.co/bitstream/11634/42508/12/2022manjarreschristian.jpg2987077eb0e713a7f9b72e24fe914d29MD512open access2022cartaaprobaciónfacultad.jpg2022cartaaprobaciónfacultad.jpgIM Thumbnailimage/jpeg9535https://repository.usta.edu.co/bitstream/11634/42508/13/2022cartaaprobaci%c3%b3nfacultad.jpge9848602902170d2cda5c1ee876e1998MD513open access2022cartaderechosautor.jpg2022cartaderechosautor.jpgIM Thumbnailimage/jpeg10718https://repository.usta.edu.co/bitstream/11634/42508/14/2022cartaderechosautor.jpgd7601b0b7217c35f873536e5102beddcMD514open accessLICENSElicense.txtlicense.txttext/plain; charset=utf-8807https://repository.usta.edu.co/bitstream/11634/42508/8/license.txtaedeaf396fcd827b537c73d23464fc27MD58open accessCC-LICENSElicense_rdflicense_rdfapplication/rdf+xml; charset=utf-81037https://repository.usta.edu.co/bitstream/11634/42508/7/license_rdf1487462a1490a8fc01f5999ce7b3b9ccMD57open accessORIGINAL2022manjarreschristian2022manjarreschristianapplication/pdf1355107https://repository.usta.edu.co/bitstream/11634/42508/6/2022manjarreschristianc370c500349b902d3a2712489f7cc7b3MD56open access2022cartaaprobaciónfacultad2022cartaaprobaciónfacultadapplication/pdf127062https://repository.usta.edu.co/bitstream/11634/42508/2/2022cartaaprobaci%c3%b3nfacultad2047f1d217f4c1e59ed09e1297941619MD52metadata only access2022cartaderechosautor2022cartaderechosautorapplication/pdf432418https://repository.usta.edu.co/bitstream/11634/42508/3/2022cartaderechosautor91266d2c20441a3060eec6ec39b05c0fMD53metadata only access11634/42508oai:repository.usta.edu.co:11634/425082024-12-06 03:41:08.782open accessRepositorio Universidad Santo Tomásrepositorio@usta.edu.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

Modelo de Detección de la Pérdida Ósea Radiográfica Basada en Deep Learning

Publicaciones similares