Analiza stomatoloških rendgenskih snimaka

za procjenu starosti pacijenta

Autor: Marin Drabić Mentor: Izv. prof. dr. sc. Marko Subašić
Sveučilište u Zagrebu
Fakultet elektrotehnike i računarstva
Zavod za elektroničke sustave i obradbu informacija

1. Uvod 4. Rezultati
S obzirom da je identifikacija preminulih osoba često dug Postignuti su rezultati procjene dentalne dobi s
i težak posao koji obavljaju forenzički stomatolozi, u radu minimalnom prosječnom pogreškom (MSE) na skupu za
se predlaže novi pristup koji znatno olakšava i ubrzava testiranje od 4.8 godina te su u tablici ispod prikazani
taj proces čineći ga znatno jeftinijim. rezultati po dobnim skupinama. Zbog neuravnoteženosti
skupa podataka po distribuciji godina i velike sličnosti
2. Opis problema ortopantomograma osoba starijih od 60 godina, dolazi do
znatnijih pogrešaka u procjeni.
Cilj rada je istražiti razne algoritme za analizu informacija
prisutnih u stomatološkim rendgenskim snimkama Dobna skupina MSE (godine)
(ortopantomogramima) pomoću dubokog učenja. Ispod 10 godina starosti 3.86
Ortopantomogram je rendgenska slika kompletne gornje i Između 10 i 20 godina starosti 3.39
donje čeljusti s okolnim anatomskim strukturama čija Između 20 i 30 godina starosti 3.40
primjena leži u tome što omogućuje procjenu dentalne Između 30 i 40 godina starosti 4.34
dobi pacijenta. Primjenjivost rada se ispituje procjenom Između 40 i 50 godina starosti 4.67
dentalne dobi pacijenata iz oropantomograma, te ujedno iz Između 50 i 60 godina starosti 6.15
parcijalnih snimaka. Između 60 i 70 godina starosti 6.38
Između 70 i 80 godina starosti 11.90
Iznad 80 godina starosti 17.60
3. Metoda
Duboko učenje predstavlja područje umjetne inteligencije
koje se bazira na dubokim umjetnim neuronskim
mrežama, a one su sustavi za paralelnu obradu podataka
inspirirane biološkim neuronskim mrežama. Naglasak je
na implementaciji umjetnih konvolucijskih neuronskih
Prikaz tablice rezultata
mreža (CNN), te korištenju predtreniranih detektora po dobnim skupinama
značajki kao što su MobileNet i Inception-v3. Model sa i grafa stvarne i
najboljim rezultatima prima sliku dimenzija 512x512 predviđene dobi na
piksela, sadržava predtrenirani MobileNet uz dodatne skupu za testiranje.

slojeve i vraća realan broj koji označava dob u danima.

Stvarna dob: 33.16 Stvarna dob: 83.56

Predviđena dob: 32.83 Predviđena dob: 67.24

Prikaz dijagrama distribucije dobnih skupina
i prikaz modela konvolucijske neuronske
mreže (CNN) koja koristi predtrenirani
MobileNet model.
5. Zaključak
Ustanovljeno je da je metode dubokog učenja itekako
moguće primijeniti na rješavanje problema procjene
dentalne dobi. Iako je minimalna prosječna pogreška od
4.8 godina vrlo dobar rezultat sa čime se čvrsto slažu
stomatolozi, ima dosta mjesta za napredak. Jedan od
problema konvolucijskih neuronskih mreža je potreba za
većom količinom podataka za treniranje što je moguće
riješiti većom bazom ortopantomograma.

10. diplomska radionica, ZESOI, FER, Zagreb, 11. lipnja 2019.