Automatický popis medicínských RTG snímků s využitím hlubokého učení

Abstract

Panoramatické zubné röntgenové snímky sú kľúčové pre diagnostiku rôznych zubných ochorení, avšak ich interpretácia je časovo náročná a závislá od odborných znalostí. Táto práca sa zaoberá využitím hlbokého učenia na automatickú detekciu zubných abnormalít, ako sú kaz, hlboký kaz, periapikálne lézie a zakliesnené zuby. Zameriava sa na tretiu úlohu MICCAI 2023 DENTEX Challenge, pričom implementuje a vyhodnocuje dva modely na detekciu objektov: Faster R-CNN, ako referenčnú metódu a YOLOv12, ako modernú metódu reprezentujúcu súčasný stav technológií. Modely boli trénované na klinicky anotovanej dátovej sade s využitím rôznych augmentácií a vyhodnotené pomocou štandardných metrík pre detekciu objektov. Výsledky ukazujú, že YOLOv12 dosiahol lepšiu celkovú výkonnosť v porovnaní s Faster R-CNN. Detekcia zriedkavých ochorení však stále zostáva obmedzením. Výsledky tejto práce potvrdzujú potenciál hlbokého učenia, ako podpory pre zubnú diagnostiku.

Panoramic dental X-rays are crucial for diagnosing various dental conditions, yet their interpretation remains time-consuming and dependent on expert knowledge. This work explores the use of deep learning for automating the detection of dental abnormalities such as caries, deep caries, periapical lesions, and impacted teeth. It focuses on the third task of the MICCAI 2023 DENTEX Challenge, implementing and evaluating two object detection models: Faster R-CNN as a baseline and YOLOv12 as a modern state-of-the-art alternative. The models were trained on a clinically annotated dataset using various data augmentations and evaluated with standard object detection metrics. Results show that YOLOv12 achieved higher overall performance compared to Faster R-CNN. However, detecting rare conditions remains a limitation. The results demonstrate the potential of deep learning in supporting dental diagnostics.