Identificar las piezas dentarias mediante procesamiento digital de imágenes y Deep Learning
Contexto: Los profesionales de la salud oral requieren un amplio estudio para identificar la anatómica de las piezas dentarias con su respectiva morfología, para esto se preparó un modelo computacional basado en inteligencia artificial (IA) que crea una interfaz gráfica y permite al usuario identif...
Saved in:
| Main Authors: | , , , |
|---|---|
| Format: | Article |
| Language: | Spanish |
| Published: |
Universidad de las Ciencias Informáticas (UCI)
2022-10-01
|
| Series: | Serie Científica de la Universidad de las Ciencias Informáticas |
| Subjects: | |
| Online Access: | http://localhost/Serie%20cientifica/ojs/index.php/serie/article/view/1159 |
| Tags: |
Add Tag
No Tags, Be the first to tag this record!
|
| _version_ | 1850161239156588544 |
|---|---|
| author | Alfonso A Guijarro-Rodríguez Juan A Quinde Bayas María I Galarza Soledispa Mirella C Ortiz Zambrano |
| author_facet | Alfonso A Guijarro-Rodríguez Juan A Quinde Bayas María I Galarza Soledispa Mirella C Ortiz Zambrano |
| author_sort | Alfonso A Guijarro-Rodríguez |
| collection | DOAJ |
| description |
Contexto: Los profesionales de la salud oral requieren un amplio estudio para identificar la anatómica de las piezas dentarias con su respectiva morfología, para esto se preparó un modelo computacional basado en inteligencia artificial (IA) que crea una interfaz gráfica y permite al usuario identificar cada pieza dental. Método: Para realizar el caracterizado de la estructura morfológica de una pieza dental, se emplearon técnicas experimentales de Procesamiento Digital de Imágenes (PDI); es decir, llevar su anatomía dental; color, tamaño y forma a representaciones computacionales. Para lo cual, se preparó un banco de imágenes de piezas dentales, que fueron obtenidas tanto en la clínica de la Facultad Piloto de Odontología e internet. El modelo se basó en Redes Neuronales Convolucionales (RNC) y pasó por fases propias del PDI Resultados: El algoritmo fue desarrollado en Matlab, y los resultados sometidos a validación de expertos, luego del entrenamiento, las pruebas revelaron una precisión del 94.49% para detección de dientes, mientras que para las muelas la efectividad fue de un 87,5% en la detección individual. Conclusiones: El trabajo sugiere que la cantidad de imágenes etiquetadas contribuye a mejorar la precisión de los resultados siempre que sean de alta resolución, además queda claro que existe influencia entre el espectro visible y no visible de las imágenes para el reconocimiento de las piezas dentarias.
|
| format | Article |
| id | doaj-art-593c8bf3d7b44906bf83f59a460246f0 |
| institution | OA Journals |
| issn | 2306-2495 |
| language | Spanish |
| publishDate | 2022-10-01 |
| publisher | Universidad de las Ciencias Informáticas (UCI) |
| record_format | Article |
| series | Serie Científica de la Universidad de las Ciencias Informáticas |
| spelling | doaj-art-593c8bf3d7b44906bf83f59a460246f02025-08-20T02:22:55ZspaUniversidad de las Ciencias Informáticas (UCI)Serie Científica de la Universidad de las Ciencias Informáticas2306-24952022-10-011510Identificar las piezas dentarias mediante procesamiento digital de imágenes y Deep LearningAlfonso A Guijarro-RodríguezJuan A Quinde BayasMaría I Galarza SoledispaMirella C Ortiz Zambrano Contexto: Los profesionales de la salud oral requieren un amplio estudio para identificar la anatómica de las piezas dentarias con su respectiva morfología, para esto se preparó un modelo computacional basado en inteligencia artificial (IA) que crea una interfaz gráfica y permite al usuario identificar cada pieza dental. Método: Para realizar el caracterizado de la estructura morfológica de una pieza dental, se emplearon técnicas experimentales de Procesamiento Digital de Imágenes (PDI); es decir, llevar su anatomía dental; color, tamaño y forma a representaciones computacionales. Para lo cual, se preparó un banco de imágenes de piezas dentales, que fueron obtenidas tanto en la clínica de la Facultad Piloto de Odontología e internet. El modelo se basó en Redes Neuronales Convolucionales (RNC) y pasó por fases propias del PDI Resultados: El algoritmo fue desarrollado en Matlab, y los resultados sometidos a validación de expertos, luego del entrenamiento, las pruebas revelaron una precisión del 94.49% para detección de dientes, mientras que para las muelas la efectividad fue de un 87,5% en la detección individual. Conclusiones: El trabajo sugiere que la cantidad de imágenes etiquetadas contribuye a mejorar la precisión de los resultados siempre que sean de alta resolución, además queda claro que existe influencia entre el espectro visible y no visible de las imágenes para el reconocimiento de las piezas dentarias. http://localhost/Serie%20cientifica/ojs/index.php/serie/article/view/1159Algoritmo, Detección, Imágenes, Pieza dental, Segmentación. |
| spellingShingle | Alfonso A Guijarro-Rodríguez Juan A Quinde Bayas María I Galarza Soledispa Mirella C Ortiz Zambrano Identificar las piezas dentarias mediante procesamiento digital de imágenes y Deep Learning Serie Científica de la Universidad de las Ciencias Informáticas Algoritmo, Detección, Imágenes, Pieza dental, Segmentación. |
| title | Identificar las piezas dentarias mediante procesamiento digital de imágenes y Deep Learning |
| title_full | Identificar las piezas dentarias mediante procesamiento digital de imágenes y Deep Learning |
| title_fullStr | Identificar las piezas dentarias mediante procesamiento digital de imágenes y Deep Learning |
| title_full_unstemmed | Identificar las piezas dentarias mediante procesamiento digital de imágenes y Deep Learning |
| title_short | Identificar las piezas dentarias mediante procesamiento digital de imágenes y Deep Learning |
| title_sort | identificar las piezas dentarias mediante procesamiento digital de imagenes y deep learning |
| topic | Algoritmo, Detección, Imágenes, Pieza dental, Segmentación. |
| url | http://localhost/Serie%20cientifica/ojs/index.php/serie/article/view/1159 |
| work_keys_str_mv | AT alfonsoaguijarrorodriguez identificarlaspiezasdentariasmedianteprocesamientodigitaldeimagenesydeeplearning AT juanaquindebayas identificarlaspiezasdentariasmedianteprocesamientodigitaldeimagenesydeeplearning AT mariaigalarzasoledispa identificarlaspiezasdentariasmedianteprocesamientodigitaldeimagenesydeeplearning AT mirellacortizzambrano identificarlaspiezasdentariasmedianteprocesamientodigitaldeimagenesydeeplearning |