http://repositorio.unb.br/handle/10482/50445
File | Size | Format | |
---|---|---|---|
MayraCristinaRibeiroDeLima_DISSERT.pdf | 4,36 MB | Adobe PDF | View/Open |
Title: | Uso da rede neural Transformer em diagnóstico por imagem na Odontologia : uma revisão de escopo |
Authors: | Lima, Mayra Cristina Ribeiro de |
Orientador(es):: | Leite, André Ferreira |
Assunto:: | Redes neurais Diagnóstico por imagem |
Issue Date: | 25-Sep-2024 |
Data de defesa:: | 29-May-2024 |
Citation: | LIMA, Mayra Cristina Ribeiro de. Uso da rede neural Transformer em diagnóstico por imagem na Odontologia: uma revisão de escopo. 2024. 62 f., il. Dissertação (Mestrado em Odontologia) — Universidade de Brasília, Brasília, 2024. |
Abstract: | Introdução: As ferramentas de inteligência artificial (IA) são utilizadas de forma crescente na área da odontologia, com potencial de revolucionar a prática clínica. Atualmente, as redes neurais convolucionais (CNNs) são muito utilizadas como algoritmos de visão computacional para detecção e classificação de doenças em imagens como a tomografia computadorizada e a radiografia panorâmica. Também têm sido aplicadas para segmentação de estruturas nestas imagens e em modelos preditivos. No entanto, mais recentemente as redes transformers, muito usadas para processamento natural de linguagem, passaram a ser utilizadas também para tarefas em imagens, com potencial de performance superior às CNNs. Objetivo: Esta revisão de escopo tem como objetivo avaliar a aplicação da Rede neural Transformer para diagnóstico de alterações dentárias e na região do complexo maxilofacial em exames de imagem mais usados na odontologia. Metodologia: Foi realizada uma busca nas bases de dados LILACS, Embase, PubMed/MEDLINE, SCOPUS, Web of Science e IEEE Xplore. Também foi realizada pesquisa adicional na literatura cinzenta, incluindo Google Scholar e Proquest Dissertation & These. Os termos de pesquisa incluíram termos livres, descritores MeSH, além de termos controlados disponíveis nos Descritores em Ciências da Saúde (DeCS). Para seleção e administração das referências foram utilizados os aplicativos Mendeley e Rayyan. Os critérios de inclusão foram: estudos que realizaram exames de pacientes com alterações dentárias e na região do complexo maxilomandibular, que usaram Rede Neural Transformer para diagnóstico e que tratavam de diagnóstico por imagem em Odontologia. Ensaios clínicos, estudos observacionais e Revisões sistemáticas foram elegíveis para o estudo. Resultados: Foram encontrados no total 5.182 estudos, sendo incluídos 11 estudos ao final. Desses 11 artigos analisados, 8 empregaram a arquitetura Transformer em tarefas de segmentação. O padrão de referência incluiu avaliação de especialistas por meio da anotação manual. O número total do conjunto de dados foi de 39.221, não sendo possível quantificar o total de dados utilizados para teste, treinamento e validação pela falta de informação em alguns estudos. Os estudos confirmaram, por meio dos resultados das métricas utilizadas, que o uso da rede neural aqui discutida foi favorável em suas diferentes aplicações. Conclusão: O uso da rede neural Transformer representa uma ferramenta potencial com excelentes resultados para aplicação em diagnóstico por imagem em odontologia. Os dados obtidos nesse estudo indicam que os modelos baseados em Transformer frequentemente se beneficiam da combinação com outras arquiteturas, como as Redes Neurais Convolucionais, resultando em maior sucesso nos resultados. É fundamental mencionar que, embora haja espaço para melhorias, esta tecnologia já representa um significativo avanço da IA na odontologia. |
Abstract: | Introduction: Artificial intelligence (AI) tools are increasingly being used in dentistry, with the potential to revolutionize clinical practice. Currently, convolutional neural networks (CNNs) are widely used as computer vision algorithms for detecting and classifying diseases in images, such as computed tomography and panoramic radiography. They have also been applied to segment structures in these images and in predictive models. Recently, however, transformer networks, which are widely used in natural language processing, have also been applied to image analysis tasks, with the potential to outperform CNNs. Objective: The aim of this scoping review is to assess the application of the Transformer neural network for diagnosing dental and maxillofacial abnormalities in the most used dental imaging exams. Methodology: A search was conducted in the LILACS, Embase, PubMed/MEDLINE, SCOPUS, Web of Science, and IEEE Xplore databases. Additional research was also conducted in the grey literature, including Google Scholar and Proquest Dissertation & These. The search terms included free terms, (MeSH) descriptors, as well as controlled terms available in the Health Sciences Descriptors (DeCS). The Mendeley and Rayyan applications were used to select and manage the references. The Mendeley and Rayyan applications were used to select and manage the references. The inclusion criteria were: examinations of patients with hard tissue alterations in the jaws and face, studies that used Neural Network Transformer for Diagnosis, and studies that dealt with diagnostic imaging in Dentistry. Clinical trials, observational studies, and systematic reviews were eligible for the study. Results: A total of 5,182 studies were found, of which 11 studies were included at the end. Of these 11 articles analyzed, 8 employed the Transformer architecture in segmentation tasks. The reference standard included expert evaluation through manual annotation. The total number of the dataset was 39,221, and it was not possible to quantify the total data used for testing, training and validation due to the lack of information in some studies. The studies confirmed, through the results of the metrics used, that the use of the neural network discussed here was favorable in its different applications. Conclusion: The use of the Transformer neural network represents a potential tool with excellent results for application in diagnostic imaging in dentistry. The data obtained in this study indicate that Transformer-based models often benefit from combining with other architectures, such as Convolutional Neural Networks, resulting in greater success in the results. It is essential to mention that, although there is room for improvement, this technology already represents a significant advancement of AI in dentistry. |
metadata.dc.description.unidade: | Faculdade de Ciências da Saúde (FS) Faculdade de Arquitetura e Urbanismo (FAU) |
Description: | Dissertação (mestrado) — Universidade de Brasília, Instituto de Artes, Departamento de Design, Programa de Pós-Graduação em Design, 2024.Dissertação (mestrado) — Universidade de Brasília, Faculdade de Ciências da Saúde, Programa de Pós-Graduação em em Odontologia, 2024. |
metadata.dc.description.ppg: | Programa de Pós-Graduação em Odontologia Programa de Pós-Graduação em Arquitetura e Urbanismo |
Licença:: | A concessão da licença deste item refere-se ao termo de autorização impresso assinado pelo autor com as seguintes condições: Na qualidade de titular dos direitos de autor da publicação, autorizo a Universidade de Brasília e o IBICT a disponibilizar por meio dos sites www.unb.br, www.ibict.br, www.ndltd.org sem ressarcimento dos direitos autorais, de acordo com a Lei nº 9610/98, o texto integral da obra supracitada, conforme permissões assinaladas, para fins de leitura, impressão e/ou download, a título de divulgação da produção científica brasileira, a partir desta data. |
Appears in Collections: | Teses, dissertações e produtos pós-doutorado |
Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.