|
|
ماشین بینایی و پردازش تصویر، جلد ۱۱، شماره ۴، صفحات ۳۷-۶۷
|
|
|
| عنوان فارسی |
مروری بر روش‌های نوین پردازش تصاویر دندان با رویکرد تشخیص، شماره‌گذاری، بخش‌بندی دندان و دسته‌بندی بیماری |
|
| چکیده فارسی مقاله |
هوش مصنوعی در زمینه تفسیر تصاویر استخراج شده از سیستم‌های تصویربرداری اشعه ایکس پیشرفت چشم‌گیری داشته است. در زمینه تصاویر دندان‌پزشکی نیز تکنیک‌های مختلف بینایی ماشین و یادگیری عمیق به عنوان جایگزین فرآیند دستی تفسیر تصویر که در عین وقت‌گیربودن مستعد خطا است، معرفی شده‌اند. تشخیص، شماره‌گذاری و بخش‌بندی دندان و حتی دسته‌بندی بیماری‌های دندان با استفاده از رویکرد‌های یادگیری عمیق پیشرفت چشم‌گیری داشته‌اند. هدف این پژوهش تحلیل و مقایسه تکنیک‌های سنتی و مبتنی بر یادگیری عمیق تفسیر یا بهبود تصاویر دندان پزشکی به تفکیک عملکرد است. روش‌شناسی این مطالعه شامل مروری جامع بر پژوهش‌های انجام شده از سه دیدگاه اصلی بهبود کیفیت تصویر، شناسایی دندان و شناسایی بیماری است. در بخش بهبود کیفیت تصویر، تکنیک‌های پیش‌پردازش و در بخش شناسایی دندان، فرآیندهای تشخیص، دسته‌بندی و بخش‌بندی دندان‌ها با تأکید بر اهمیت تعیین نام و نوع دندان در گزارشات پزشکی تحلیل شده است. همچنین، در بخش شناسایی بیماری، چالش‌های مربوط به گستردگی طیف بیماری‌های دندان و ضریب خطای مدل‌ها بررسی شده است. نتایج این بررسی نشان می‌دهد که چالش‌هایی نظیر دسترسی محدود به داده‌ها، عدم تعادل در دسته‌ها و تفسیرهای متفاوت متخصصین، تأثیر قابل توجهی بر عملکرد مدل‌ها دارند. در نهایت، این پژوهش به روشن‌تر شدن وضعیت فعلی و آینده تحقیقات در این حوزه کمک می‌کند و تکنیک‌هایی برای مقابله با چالش‌ها و راه‌های تحقیقاتی آتی شناسایی شده‌اند. به طور خاص، این پژوهش به بررسی امکان استفاده از سیستم‌های هوشمند در تسریع فرآیند گزارش‌نویسی و بهبود دقت تشخیص بیماری‌های دندان به عنوان ابزاری مکمل برای پزشکان می‌پردازد. |
|
| کلیدواژه‌های فارسی مقاله |
پردازش تصاویر دندان،شماره‌گذاری دندان،دسته‌بندی بیماری دندان،بخش‌بندی دندان،یادگیری عمیق،تفسیر هوشمند تصاویر دندان، |
|
| عنوان انگلیسی |
A review of Novel Image Processing Methods in Dentistry: Detection, Numbering, Segmentation, and Disease Classification |
|
| چکیده انگلیسی مقاله |
Artificial intelligence has made significant strides in the interpretation of images obtained from X-ray imaging systems. In the field of dental imaging, various machine vision and deep learning techniques have emerged as effective alternatives to traditional manual image interpretation, which is often labor-intensive and prone to inaccuracies. Substantial advancements have been achieved in diagnosis, tooth numbering, segmentation, and disease classification through the application of deep learning methodologies. This research aims to conduct a critical analysis and comparative evaluation of conventional techniques versus deep learning-based approaches for the interpretation and enhancement of dental images, with a focus on performance differentiation. The methodology involves a comprehensive review of existing literature from three primary perspectives: image enhancement, tooth identification, and disease recognition. The findings of this review indicate that challenges such as limited data availability, class imbalance, and varying interpretations by specialists significantly impact model performance. Ultimately, this research contributes to a deeper understanding of the current landscape and future directions of inquiry in this domain, identifying strategies to address these challenges and exploring potential avenues for further investigation. Specifically, this study evaluates the feasibility of utilizing intelligent systems to optimize the reporting process and improve the accuracy of dental disease diagnoses, thereby serving as a valuable complementary resource for practitioners. |
|
| کلیدواژه‌های انگلیسی مقاله |
پردازش تصاویر دندان,شماره‌گذاری دندان,دسته‌بندی بیماری دندان,بخش‌بندی دندان,یادگیری عمیق,تفسیر هوشمند تصاویر دندان |
|
| نویسندگان مقاله |
مهدیه دهقانی |
دانشجوی دکتری مهندسی نرم افزار، دانشکده برق و کامپیوتر، دانشگاه تهران، تهران، ایران
رضا اقائی زاده ظروفی |
گروه مهندسی پزشکی، دانشکده برق و کامپیوتر، دانشگاه تهران، تهران، ایران
|
|
| نشانی اینترنتی |
https://jmvip.sinaweb.net/article_222495_b31640e69335360563b0a229215ba94c.pdf |
| فایل مقاله |
فایلی برای مقاله ذخیره نشده است |
| کد مقاله (doi) |
|
| زبان مقاله منتشر شده |
fa |
| موضوعات مقاله منتشر شده |
|
| نوع مقاله منتشر شده |
|
|
|
|
برگشت به:
صفحه اول پایگاه |
نسخه مرتبط |
نشریه مرتبط |
فهرست نشریات
|