| Title: | Machine learning supervisionado para segmentação dental em radiografias digitais periapicais: estudo piloto metodológico e relato de uma jornada de aprendizado em inteligência artificial |
| Author: | Blaskowski, Tatiane |
| Abstract: |
A segmentação automatizada de dentes em radiografias digitais representa uma estratégia promissora nas abordagens de visão computacional aplicadas à Inteligência Artificial (IA) em Odontologia. Este estudo piloto teve como objetivo desenvolver um modelo computacional de segmentação dental em radiografias periapicais utilizando aprendizado de máquina supervisionado (AMS). Buscou-se relatar a experiência de uma estudante de Odontologia em sua jornada de aprendizado e imersão em metodologias de IA, especialmente aquelas voltadas à análise de imagens digitais. Foi desenvolvido um código com o uso da IA generativa Copilot (Microsoft), empregada para estruturar e aperfeiçoar o algoritmo, e da plataforma Google Colab (Google), utilizada para execução e testes. O código foi elaborado para realizar treinamento, validação e geração automática de métricas e gráficos de desempenho. Foram utilizadas 13 radiografias periapicais digitais da região de caninos e pré-molares inferiores, obtidas com sensor digital RVG 6000 – Kodak (20 lp/mm). As imagens foram divididas em pastas de treinamento e validação, acompanhadas de máscaras binárias produzidas por segmentação interativa no software ImageJ/Fiji, por meio de delimitação manual com polygon selection e posterior binarização. O modelo foi treinado com 8 imagens, validado com 4 e testado com 1 imagem, sendo submetido a quatro ciclos de execução. Nas etapas de treinamento, foi utilizado data augumentation para ampliar a variabilidade dos dados. As métricas de desempenho apresentaram médias de 0,80 para acurácia, 0,87 para coeficiente de Dice (DSC), 0,77 para Interseção sobre União (IoU), 0,86 para sensibilidade e 0,94 para especificidade. O modelo demonstrou capacidade de aprender características relevantes para a segmentação dental, embora diferenças entre treinamento e validação e variabilidade entre ciclos indiquem limitações na generalização. A especificidade mostrou maior estabilidade, enquanto DSC, IoU e sensibilidade exibiram maior oscilação. A jornada de aprendizado exigiu participação em cursos e palestras sobre visão computacional, além da compreensão de conceitos como intensidade de pixels e extração de características. Durante a realização de um projeto de iniciação cientifica, a realização de etapa prévia com avaliação radiográfica e mensuração da intensidade de pixels nas diferentes estruturas dentárias facilitou o desenvolvimento das etapas envolvidas no AMS, além de captar melhor as especificações incluídas em cada comando incluído no código. Conclui-se que o MAS, desenvolvido nesse estudo, apresenta potencial para segmentação dental em radiografias periapicais, embora a ampliação do conjunto de imagens e o refinamento do modelo sejam essenciais para futura aplicação clínica. Para estudantes de Odontologia, destaca-se a importância de aprofundar conhecimentos em IA antes de sua implementação em pesquisas. Automated teeth segmentation in digital radiographs represents a promising strategy within computer vision approaches applied to Artificial Intelligence (AI) in Dentistry. This pilot study aimed to develop a computational model for dental segmentation in periapical radiographs using supervised machine learning (SML). To describe the learning experience of a Dentistry student during her immersion in AI methodologies, particularly those related to digital image analysis. Code development was performed using the generative AI platform Copilot (Microsoft), to structure and refine the algorithm, and the Google Colab (Google) environment for execution and testing. The code was designed to perform training, validation, and automatic generation of performance metrics and plots. Thirteen digital periapical radiographs of mandibular canines and premolars were used, acquired with an RVG 6000 – Kodak sensor (20 lp/mm). The images were divided into training and validation folders, accompanied by binary masks produced through interactive segmentation in ImageJ/Fiji using manual polygon selection and subsequent binarization. The model was trained with eight images, validated with four and tested with 1 image, across four execution cycles. During the training stages, data augmentation techniques were applied to increase the variability of the dataset. Performance metrics averaged 0.80 for accuracy, 0.87 for Dice Similarity Coefficient (DSC), 0.77 for IoU, 0.86 for sensitivity, and 0.94 for specificity. The model demonstrated the ability to learn relevant features for dental segmentation; however, differences between training and validation and variability across cycles indicate limitations in generalization. Specificity showed greater stability, whereas DSC, IoU, and sensitivity exhibited more fluctuation. The learning journey of a undergrad student in health sciences required participation in courses and lectures on other field of computer vision, as well as understanding concepts such as pixel intensity and feature extraction. During an undergraduate research project, conducting a preliminary phase that involves radiographic evaluation and the measurement of pixel intensity across various dental structures facilitates the execution of the steps required for the AMS while also better capturing the specifications embedded in each command within the code. In conclusion, this pilot study allowed the identification of supervised machine learning in holding potential for dental segmentation in periapical radiographs, although expanding the dataset and refining the model are essential for future clinical applications. For Dentistry students, strengthening foundational knowledge in AI is crucial before implementing these methodologies in research. |
| Description: | TCC (graduação) - Universidade Federal de Santa Catarina, Centro de Ciências da Saúde, Odontologia. |
| URI: | https://repositorio.ufsc.br/handle/123456789/277746 |
| Date: | 2026-10-15 |
| Files | Size | Format | View |
|---|---|---|---|
| TCC-MACHINE LEA ... DIOGRAFIAS PERIAPICAIS.pdf | 2.280Mb |
View/ |