Traduzido do Inglês para o Português - www.onlinedoctranslator.

com

Recebido: 6 de setembro de 2019 | Revisado: 21 de outubro de 2019 | Aceito: 29 de outubro de 2019

DOI: 10.1111 / odi.13223

ARTIGO ORIGINAL

Diagnóstico de lesões císticas usando imagens tomográficas computadorizadas

panorâmicas e de feixe cônico com base em rede neural de aprendizagem
profunda

Jae ‐ Hong Lee | Do ‐ Hyung Kim | Seong ‐ Nyum Jeong

Departamento de Periodontologia, Daejeon

Dental Hospital, Institute of Wonkwang
Dental Research, Wonkwang University
College of Dentistry, Daejeon, Coreia
Correspondência
Jae ‐ Hong Lee, Departamento de
Periodontologia, Daejeon Dental Hospital,
Wonkwang University College of Dentistry, 77,
Dunsan ‐ ro, Seo ‐ gu, Daejeon 35233, Coreia.
Email: ljaehong@gmail.com
Resumo
Objetivos. O objetivo do presente estudo foi avaliar a detecção e o diagnóstico de três tipos de
lesões císticas odontogênicas (OCLs) —queratocistos odontogênicos, cistos den‐ tigerosos e
cistos periapicais — usando radiografia panorâmica dentária e imagens tomográficas
computadorizadas de feixe cônico (CBCT) com base em uma rede neural convolucional
profunda (CNN).
Métodos: A arquitetura GoogLeNet Inception ‐ v3 foi usada para aprimorar o
desempenho geral da detecção e diagnóstico de OCLs com base no aprendizado de

Informação de financiamento
transferência. Os índices de diagnóstico (área sob a curva ROC [AUC], sensibilidade,
Universidade Wonkwang especificidade e matriz de confusão com e sem normalização) foram calculados e
comparados entre modelos pré-treinados usando imagens panorâmicas e CBCT.
Resultados: O modelo pré-treinado usando imagens de CBCT mostrou bom desempenho

diagnóstico (AUC = 0,914, sensibilidade = 96,1%, especificidade = 77,1%), que foi

significativamente maior do que o alcançado por outros modelos usando imagens panorâmicas

(AUC = 0,847, sensibilidade = 88,2%) , especificidade = 77,0%) (p =014).

Conclusões: Este estudo demonstrou que conjuntos de dados de imagens panorâmicas e CBCT,

compreendendo três tipos de OCLs odontogênicos, são efetivamente detectados e diagnosticados

com base na arquitetura CNN profunda. Em particular, descobrimos que a arquitetura CNN profunda

treinada com imagens CBCT alcançou um desempenho de diagnóstico superior do que aquela

treinada com imagens panorâmicas.

PALAVRAS-CHAVE

cistos, aprendizado profundo, cistos odontogênicos, aprendizado de máquina supervisionado

1 | INTRODUÇÃO dados de imagem devido ao desenvolvimento de algoritmos de

autoaprendizagem e melhorias no poder de computação (Soffer et al., 2019).

Aprendizagem profunda, que é um subconjunto das tecnologias de inteligência Portanto, a arquitetura CNN profunda mostra um grande potencial e

artificial, está passando por um rápido desenvolvimento e atraiu atenção pública propriedades úteis para melhorar a análise de vários conjuntos de dados de

substancial nos últimos anos (Hricak, 2018). Entre os modelos de aprendizagem imagens médicas, como radiografias simples ou modalidades de imagens

profunda, a arquitetura de rede neural convolucional profunda (CNN) é tridimensionais (Suzuki, 2017; Lee et al., 2017). Diversas arquiteturas CNN

indiscutivelmente a mais amplamente estudado, pois fornece desempenho superior profundas já foram aprovadas pela Food and Drug Administration e estão

para detecção, classificação e quantificação e segmentação de sendo aplicadas à prática clínica (Gulshan et al., 2016; Kim et al., 2017).

© 2019 John Wiley & Sons A / S. Publicado por John Wiley & Sons Ltd. Todos os direitos reservados

152 | wileyonlinelibrary.com/journal/odi Doenças orais. 2020; 26: 152–158.

LEE Et aL.
Lesões císticas odontogênicas (OCLs) são cavidades epiteliais
patológicas contendo líquido, semifluido ou conteúdo sólido (Binnie,
1999). Os cistos dentígeros e periapicais que ocupam a maioria dos OCLs
são benignos e não invasivos, enquanto que o ceratocisto odontogênico
(OKC) é altamente provável de reaparecer e exibir comportamento
localmente agressivo e tem o potencial de sofrer transformação maligna
(Kaczmarzyk, Mojsa, & Stypulkowska, 2012; Stoelinga, 2012). Portanto,
espera-se que a detecção e o diagnóstico precoce de OCLs reduzam a
morbidade e a mortalidade por meio de acompanhamento de longo
prazo e intervenção precoce.
Na área odontológica, a utilidade do aprendizado profundo é
avaliada para a detecção, classificação e segmentação de variáveis
anatômicas para marcos ortodônticos, cárie dentária, doença
periodontal e osteoporose, mas essas aplicações ainda estão em
estágios muito preliminares ( Lee et al., 2018a; Lee et al., 2018b; Lee,
Adhikari, et al., 2018; Lee et al., 2019). Em particular, até onde
sabemos, nenhum estudo publicado comparou diretamente a
radiografia panorâmica panorâmica e as imagens de tomografia
computadorizada de feixe cônico (CBCT), para a identificação e
classificação dos principais OCLs com base em arquiteturas CNN
profundas. Portanto, o presente estudo foi conduzido para avaliar e
fazer comparações entre imagens panorâmicas e de TCFC,
2| MÉTODOS
2,1 | Conjuntos de dados
Este estudo foi conduzido no Departamento de Periodontologia,
Daejeon Dental Hospital, Wonkwang University, e aprovado pelo
Comitê de Revisão Institucional do Daejeon Dental Hospital,
Wonkwang University (aprovação no. W1908 / 002‐001). Com base
em exames histopatológicos por um patologista oral certificado no
Daejeon Dental Hospital, Wonkwang University, um dentista
FIGURA 1 Conjunto de dados de radiografia
panorâmica dentária e tomografia
computadorizada de feixe cônico (CBCT), que
incluiu diagnósticos de três tipos de lesões
císticas orais - ceratocistos, cistos dentígeros e
cistos periapicais - com base em exames
histopatológicos [Figura colorida pode ser
vista na biblioteca wileyonlin. com]
| 153
O conjunto de dados de imagens panorâmicas e CBCT (INFINITT
PACS, Infinitt) contendo diagnósticos de três tipos de OCL (OKC, cisto
dentígero e cisto periapical) foi adquirido entre janeiro de 2014 e
dezembro de 2018 (Figura 1). Mesmo se confirmados
histologicamente, todos os casos que eram difíceis de distinguir
devido à distorção severa, ruído artificial, desfoque e má qualidade
da imagem radiográfica foram excluídos. Entre as imagens do plano
axial da CBCT, apenas dois a quatro cortes de imagem mostrando
claramente as características, como padrões regionais e contornos
de cada cisto, foram adotados como conjuntos de dados. Todas as
imagens panorâmicas e CBCT confirmadas foram desidentificadas e
as regiões de interesse (ROIs) foram cortadas e redimensionadas
para manter sua proporção de aspecto original (299 × 299 pixels).
Então,
2,2 | Pré-processamento e aumento de imagem
O conjunto de dados consistia em 2.126 imagens, incluindo 1.140 (53,6%)
imagens panorâmicas e 986 (46,4%) imagens de CBCT. Havia 260 (12,2%)
imagens panorâmicas e 188 (8,8%) de CBCT classificadas como OKCs, 463
(21,8%) panorâmicas e 396 (18,6%) imagens de CBCT classificadas como cistos
dentígeros, e 417 (19,6%) panorâmicas e 402 (18,9%) Imagens de TCFC
classificadas como cistos periapicais. Dividimos aleatoriamente 80% (imagens
panorâmicas,n = 912 e imagens CBCT n = 789) do conjunto de dados para
treinamento (imagens panorâmicas, n = 684 e imagens CBCT n = 592) e
validação (imagens panorâmicas, n = 228 e imagens CBCT n = 197), e 20%
(imagens panorâmicas, n = 228 e imagens CBCT n = 197) para teste. Usamos o
conjunto de treinamento para aprendizado profundo. Como um método
técnico e estratégico para evitar overfitting, o conjunto de dados de
treinamento e validação foi aumentado aleatoriamente 100 vezes (imagens
panorâmicas,n = 68.400 e imagens CBCT n = 59.200) usando inversão horizontal
e vertical, rotação (na faixa de 20 °), deslocamento de largura e altura (na faixa
de 0,2), cisalhamento (na faixa de 0,5) e zoom (na faixa de 0,8-1,2) (Shin et al.,
2016).
154 | LEE Et aL.

FIGURA 2 Esquema geral simplificado de arquitetura CNN profunda pré-treinada derivada do modelo GoogLeNet Inception v3 [a figura colorida
pode ser visualizada em wileyonlinelibrary.com]

o desempenho geral de detecção e diagnóstico de OCLs com base na

2,3 | Arquitetura do convolucional profundo
rede neural
Neste estudo, exploramos uma arquitetura CNN profunda pré-treinada
derivada do modelo GoogLeNet Inception v3, que foi desenvolvido pela
equipe de pesquisa do Google e é conhecido por excelente desempenho
na detecção e classificação de imagens (Figura 2) (Chollet, 2017). Esta
arquitetura consiste em três camadas convolucionais, nove módulos de
iniciação, incluindo várias escalas de classificadores de convolução, duas
camadas totalmente conectadas e funções softmax (Szegedy, Vanhoucke,
Ioffe, Shlens, & Wojna, 2016). Nosso algoritmo foi usado para pré-
aprendizagem de transferência (Szegedy et al., 2016). Otimizamos os
pesos ajustando os hiperparâmetros, incluindo a taxa de aprendizagem
(na faixa de 0,0001–0,1), o tamanho do lote (na faixa de 16–64) e a taxa de
abandono (na faixa de 0,25–0,75) e usando o lote normalização (Abadi et
al., 2016). Uma breve descrição dos termos relacionados ao aprendizado
profundo é fornecida no Apêndice S1.
2,4 | Análise estatística
Testes de qui ‐ quadrado foram usados para comparar dados categóricos (sexo, faixa

processamento para evitar a fraqueza de casos pequenos e melhorar etária e localização) nos três grupos OCL. Índices de diagnóstico (área

TABELA 1 Características basais dos

Ceratocisto odontogênico Cisto dentígero Cisto periapical
pacientes, com diagnóstico de ceratocistos
Variáveis (n = 34%) (n = 104%) (n = 109%) p-valor
odontogênicos, cistos dentígeros e cistos
Sexo periapicais
Masculino 21 (61,8) 78 (75,0) 68 (62,4) . 106

Fêmea 13 (38,2) 26 (25,0) 41 (37,6)

Faixa etária (anos)

<20 7 (20,6) 6 (5,8) 1 (0,9) <0,001

20-39 16 (47,1) 27 (26,0) 49 (45,0)

40-59 8 (23,5) 51 (49,0) 39 (35,8)
≥60 3 (8,8) 20 (19,2) 20 (18,3)
Localização

Mx. 2 (5,9) 7 (6,7) 67 (61,5) <0,001

anterior

Mx. 0 (0,0) 0 (0,0) 4 (3,7)

pré-molar

Mx. molar 4 (11,8) 2 (1,9) 5 (4,6)

Mn. 4 (11,8) 1 (1,0) 6 (5,5)
anterior

Mn. 0 (0,0) 3 (2,9) 9 (8,3)

pré-molar

Mn. molar 24 (70,6) 91 (87,5) 18 (16,5)

Nota: p‐ Os valores foram calculados usando o teste do qui ‐ quadrado. Itálico denota significância estatística (p
<.05).
Abreviaturas: Mn, mandíbula; Mx, maxila.
LEE Et aL. | 155

MESA 2 AUC, sensibilidade e

AUC SE 95% CI Sensibilidade (%) Especificidade (%)
especificidade para a detecção e diagnóstico
de lesões císticas orais usando Imagens panorâmicas 0,847 0,040 0,760-0,911 88,2 77,0
radiografia panorâmica e imagens tomográficas Imagens CBCT 0,914 0,028 0,841-0,961 96,1 77,1
computadorizadas de feixe cônico com base em
rede neural de aprendizagem profunda Abreviaturas: AUC, área sob a curva; IC, intervalo de confiança; SE, erro padrão.

sob a curva de característica de operação do receptor [AUC],
sensibilidade, especificidade e matriz de confusão com e sem
normalização) foram calculados e comparados entre arquiteturas CNN
profundas usando imagens panorâmicas e CBCT, com base em uma
estrutura Keras em Python (Python 3.7.2, Python Software Foundation).
Tudop‐Valores <0,05 foram considerados estatisticamente significativos, e
intervalos de confiança de 95% (ICs) também foram calculados.
3| RESULTADOS
3,1 | Características base
As características basais dos pacientes, que foram diagnosticados com OKCs,
cistos dentígeros e cistos periapicais, são apresentadas na Tabela 1. Um total de
247 pacientes inscritos neste estudo, compreendendo 167 (67,6%) homens e 80
(32,4%) mulheres . Em termos de idade, o número de indivíduos na casa dos 20
anos era o menor (n = 14; 5,7%), e o número de pessoas com idades entre 40-59
foi o mais alto (n = 98; 39,7%). Os OCLs estavam mais frequentemente
localizados na região dos molares mandibulares (n = 133; 53,8%) e o menos
frequentemente na região dos pré-molares superiores (n = 4; 1,6%).
na maioria dos tipos de imagens médicas (Esteva et al., 2017; Gulshan et
al., 2016). Neste artigo, provamos com sucesso que a arquitetura CNN
profunda pode ser usada na detecção e diagnóstico de OCLs principais,
incluindo OKCs, cistos dentígeros e cistos periapicais usando imagens
panorâmicas e CBCT e confirmamos a possibilidade de seu uso na clínica
prática com sistemas de diagnóstico auxiliado por computador (CAD).
A verificação de lesões radiopacas e radiolúcidas mistas com
bordas irregulares e borradas em imagens radiológicas é muito
importante para detectar e classificar corretamente os OCLs. A
textura radiopqueradiolúcida de uma ROI em imagens radiológicas
também é uma das características cruciais para detectar e
diagnosticar OCLs (Nurtanio, Astuti, Purnama, Hariadi, & Purnomo,
2013). Em estudos anteriores, os limites dos OCLs foram
segmentados diretamente por profissionais médicos e
odontológicos, mas estudos recentes mostraram que as técnicas de
detecção automática ou semiautomática de bordas podem
segmentar OCLs em imagens radiológicas digitais com mais precisão
e eficiência. Modelos de contorno ativo, que são contornos gerados
por computador usados para detectar limites de objetos,
mostraram uma taxa de precisão média de segmentação OCL de 99.

3,2 | Diagnóstico de lesão cística oral

A arquitetura CNN profunda pré-treinada usando imagens CBCT forneceu

melhor precisão diagnóstica e AUC, que foram significativamente maiores
do que aquelas alcançadas por outros modelos usando imagens
panorâmicas (diferença de AUC = 0,067, IC de 95% 0,013–0,122, p =014)
(Tabela 2 e Figura 3). Ao usar imagens panorâmicas, a AUC foi de 0,847 (IC
de 95% 0,760–0,911), a sensibilidade foi de 88,2% e a especificidade foi de
77,0%. Para imagens de CBCT, a AUC foi de 0,914 (IC de 95% 0,841–0,961),
a sensibilidade foi de 96,1% e a especificidade foi de 77,1%.
A Figura 4 apresenta a matriz de confusão, com e sem
normalização, mostrando os resultados diagnósticos dos OCLs. Ao
usar imagens panorâmicas, a acurácia diagnóstica total foi de 84,6%;
a precisão do diagnóstico foi maior para cistos periapicais (87,0%) e
menor para OKCs (81,8%). Para imagens de TCFC, a acurácia
diagnóstica total foi de 91,4%; a acurácia diagnóstica foi maior para
cistos periapicais (93,7%) e menor para OKCs (87,2%).

4 | DI SCUSS ION FIGURA 3 Comparação de pares de curvas características de operação do

Nos últimos anos, vários modelos de aprendizado profundo foram propostos e
obtiveram sucesso significativo em vários campos. Em particular, o aprendizado
supervisionado de arquiteturas CNN profundas tem mostrado resultados mais
pronunciados e eficientes que ultrapassam os especialistas humanos
receptor entre as arquiteturas CNN profundas pré-treinadas usando imagens
panorâmicas e CBCT. As arquiteturas CNN profundas alcançaram uma AUC de
0,847 (IC de 95% 0,760–0,911) com base em imagens panorâmicas e uma AUC
de 0,914 (IC de 95% 0,841–0,961) com base em imagens de CBCT, o que foi
estatisticamente significativo (p =014) [Figura colorida pode ser vista em
wileyonlinelibrary.com]
156 | LEE Et aL.

FIGURA 4 Matriz de confusão com e sem normalização, mostrando os resultados diagnósticos das lesões císticas orais. (a, c) sem
normalização, (b, d) com normalização [Figura colorida pode ser vista em wileyonlinelibrary.com]

Quando a coroa ou raiz de um dente impactado ou não vital está
associada a um cisto solitário e unilocular, é difícil distinguir
claramente entre os três principais tipos de OCLs com base apenas
em achados radiológicos (Borghesi et al., 2018; Scholl, Kellett,
Neumann, & Lurie, 1999). No entanto, nossos resultados alcançaram
uma precisão boa e previsível (precisão total = 87,8%). Apesar de ter
treinado mais imagens panorâmicas do que imagens de CBCT,
descobrimos que a arquitetura CNN profunda baseada em conjunto
de dados de imagens CBCT mostrou maior acurácia diagnóstica,
sensibilidade e especificidade do que os resultados obtidos usando
imagens panorâmicas (imagens panorâmicas = 84,7%, IC de 95%
76,0–91,1; imagens de CBCT = 91,4%, IC de 95% 84,1–96,1).
Os ceratocistos odontogênicos são responsáveis por
aproximadamente 20% das OCLs e ocorrem e reaparecem
principalmente na mandíbula posterior dos machos (MacDonald ‐
Jankowski, 2011). Aproximadamente 75% dos cistos dentinários
ocorrem nas mandíbulas, principalmente em adultos jovens e de
meia-idade, enquanto os cistos periapicais ocorrem principalmente
em adultos de meia-idade a idosos (Dunfee, Sakai, Pistey, & Gohel,
2006). Estudos recentes relataram melhor desempenho diagnóstico e
estratificação prognóstica ao aplicar risco convencional e fatores
sociodemográficos ao algoritmo de aprendizagem profunda
(Muhammad et al., 2017; Yala, Lehman, Schuster, Portnoi, & Barzilay,
2019). Portanto,
LEE Et aL.
Neste estudo, usamos uma arquitetura CNN profunda pré-treinada
derivada do modelo GoogLeNet Inception v3 e ajustada com vários parâmetros
de treinamento, incluindo taxa de aprendizagem, tamanho do lote, taxa de
abandono e número de camadas totalmente conectadas, que foram
cuidadosamente determinado durante os ensaios preliminares. Apesar da
grande variabilidade da forma, tamanho, borda irregular e densidade e
viscosidade do conteúdo cístico de OCLs em imagens radiológicas, a arquitetura
CNN profunda pré-treinada mostrou detecção eficiente de bordas e extração de
características de textura através de camadas convolucionais e densas com
hierarquias representações de estrutura química (Wang, 2016).
Apesar de sua aplicação potencial a sistemas CAD na prática clínica, identificamos
várias limitações em nossa abordagem. Primeiro, o tamanho absoluto do conjunto de
dados de treinamento era pequeno. Devido à natureza orientada por dados do
algoritmo de aprendizado profundo, o desempenho aumenta proporcionalmente com
o tamanho do conjunto de dados de treinamento. Portanto, para extrair os recursos
locais essenciais e evitar overfitting, um conjunto de dados grande e de alta qualidade
é muito importante para a criação de um bom modelo de detecção e diagnóstico. A
fim de superar o problema de overfitting no procedimento de treinamento, adotamos
técnicas de aumento de dados e transferência de aprendizagem com ajuste fino. No
entanto, o pequeno conjunto de dados é uma das principais limitações deste estudo.
Em segundo lugar, o conjunto de dados neste estudo não inclui o
ameloblastoma, uma das principais doenças que devem ser diagnosticadas
diferencialmente contra o CCA. Do ponto de vista radiológico, o ameloblastoma
exibe mais expansão óssea e frequentemente mostrou lesões multiloculares
(bolha de sabão) com bordas bem demarcadas em comparação com CCA. Mais
estudos são necessários nos quais um conjunto de dados de imagem de
ameloblastoma é incluído no conjunto de dados OCL principal.
5 | CONCLUSÃO
O resultado mostra que nosso conjunto de dados de imagens radiológicas,
compreendendo três tipos de OCL, é efetivamente detectado e diagnosticado
com a arquitetura CNN profunda apresentada. No entanto, a precisão do
diagnóstico de OCLs usando apenas avaliação radiológica é menor do que
usando exame histológico, e o diagnóstico preciso apenas com imagens
radiológicas ainda é um desafio. Esperamos que o estudo atual forneça uma
visão para futuras pesquisas de aprendizagem profunda baseadas em grandes
conjuntos de dados.
RECONHECIMENTOS
Este trabalho foi apoiado pela Universidade Wonkwang em 2020.
CONFLITOS DE INTERESSE
Nenhum para declarar.
CONTRIBUIÇÕES DO AUTOR
Jae ‐ Hong Lee conduziu uma revisão da literatura, organizou os dados e
redigiu o manuscrito. Do ‐ Hyung Kim era responsável pelos dados
| 157
interpretação e edição do manuscrito. Seong ‐ Nyum Jeong revisou
criticamente o manuscrito.
ORC ID
Jae ‐ Hong Lee https://orcid.org/0000‐0002‐2375‐0141
REFERÊNCIAS
Abadi, M., Agarwal, A., Barham, P., Brevdo, E., Chen, Z., Citro, C., &
Zheng, X. (2016). TensorFlow: aprendizado de máquina em grande escala
em sistemas distribuídos heterogêneos. arXiv e-print: arXiv: 1603.04467.
Binnie, WH (1999). Cistos e epúlides periodontais.Periodontologia
2000, 21, 16–32.
Borghesi, A., Nardi, C., Giannitto, C., Tironi, A., Maroldi, R., Di Bartolomeo,
F., & Preda, L. (2018). Ceratocisto odontogênico: características de imagem de
uma lesão benigna com comportamento agressivo.Insights sobre imagens, 9(5),
883-897. https://doi.org/10.1007/s13244‐018‐0644‐z
Chollet, F. (2017). Keras. Obtido em https://github.com/fchollet/
keras
Dunfee, BL, Sakai, O., Pistey, R., & Gohel, A. (2006). Radiológico e
características patológicas das lesões benignas e malignas da
mandíbula. Radiográficas, 26(6), 1751-1768. https://doi.org/10.1148/
rg.266055189
Esteva, A., Kuprel, B., Novoa, RA, Ko, J., Swetter, SM, Blau, HM,
& Thrun, S. (2017). Classificação de câncer de pele em nível de dermatologista
com redes neurais profundas.Natureza, 542(7639), 115-118. https: // doi. org /
10.1038 / nature21056
Goodfellow, IJ, Warde ‐ Farley, D., Mirza, M., Courville, A., & Bengio, Y.
(2013). Redes Maxout. arXiv e-print arXiv: 1302.4389. Gulshan, V.,
Peng, L., Coram, M., Stumpe, MC, Wu, D., Narayanaswamy,
A.,… Webster, DR (2016). Desenvolvimento e validação de um algoritmo de
aprendizado profundo para detecção de retinopatia diabética em
fotografias de fundo de retina.JAMA, 316(22), 2402–2410. https: // doi. org /
10.1001 / jama.2016.17216
Hricak, H. (2018). Palestra Novos horizontes de 2016: Além da radiologia por imagem
de amanhã. Radiologia, 286(3), 764-775. https://doi.org/10.1148/
radiol.2017171503
Kaczmarzyk, T., Mojsa, I., & Stypulkowska, J. (2012). Uma revisão sistemática
da taxa de recorrência de tumor odontogênico ceratocístico em relação às
modalidades de tratamento. International Journal of Oral and Maxillofacial
Surgery, 41(6), 756-767. https://doi.org/10.1016/j.ijom.2012.02.008 Kim, JR,
Shim, WH, Yoon, HM, Hong, SH, Lee, JS, Cho, YA, &
Kim, S. (2017). Estimativa computadorizada da idade óssea usando um
programa baseado em aprendizado profundo: Avaliação da precisão e
eficiência.AJR. American Journal of Roentgenology, 209(6), 1374–1380.
https: // doi. org / 10.2214 / AJR.17.18224
Lee, C., Tanikawa, C., Lim, JY e Yamashiro, T. (2019). Aprendizagem profunda
identificação cefalométrica baseada em pontos de referência usando patches multi-escala
dependentes de pontos de referência. arXiv e-print arXiv: 1906.02961.
Lee, JS, Adhikari, S., Liu, L., Jeong, HG, Kim, H., & Yoon, SJ (2018).
Detecção de osteoporose em radiografias panorâmicas usando um sistema
de diagnóstico assistido por computador baseado em rede neural
convolucional profunda: Um estudo preliminar. Radiologia
Dentomaxilofacial, 48(1), 20170344, https://doi.org/10.1259/dmfr.20170344
Lee, JG, Jun, S., Cho, YW, Lee, H., Kim, GB, Seo, JB, & Kim, N.
(2017). Aprendizagem profunda em imagens médicas: Visão geral.
Korean Journal of Radiology, 18(4), 570–584. https://doi.org/10.3348/
kjr.2017.18.4.570
Lee, JH, Kim, DH, Jeong, SN e Choi, SH (2018a). Detecção e
diagnóstico de cárie dentária usando um algoritmo de rede neural convolucional
baseado em aprendizado profundo. Journal of Dentistry, 77, 106-111. https: //
doi.org/10.1016/j.jdent.2018.07.015
158 | LEE Et aL.
Lee, JH, Kim, DH, Jeong, SN e Choi, SH (2018b). Diagnóstico e
predição de dentes comprometidos periodontalmente usando um algoritmo de
rede neural convolucional baseado em aprendizado profundo. Journal of
Periodontal and Implant Science, 48(2), 114-123. https://doi.org/10.5051/
jpis.2018.48.2.114
MacDonald ‐ Jankowski, DS (2011). Tumor odontogênico ceratocístico:
Revisão sistemática. Radiologia Dentomaxilofacial, 40(1), 1–23. https: //
doi.org/10.1259/dmfr/29949053
Muhammad, H., Fuchs, TJ, De Cuir, N., De Moraes, CG, Blumberg,
DM, Liebmann, JM,… Hood, DC (2017). O aprendizado profundo híbrido em
varreduras de tomografia de coerência óptica de campo amplo classifica
com precisão os suspeitos de glaucoma.Journal of Glaucoma, 26(12), 1086–
1094. https://doi.org/10.1097/IJG.0000000000000765
Nurtanio, I., Astuti, ER, Purnama, IKE, Hariadi, M., & Purnomo, M.
H. (2013). Classificação de cisto e lesão tumoral usando máquina de vetor de
suporte com base em recursos de textura de imagens panorâmicas
odontológicas.IAENG International Journal of Computer Science, 40(4), 04.
Nurtanio, I., Purnama, IKE, Hariadi, M., & Purnomo, MH (2011). Cisto
e segmentação da lesão tumoral em imagens panorâmicas dentárias
usando modelos de contorno ativo. IPTEK, o Jornal de Tecnologia e Ciência,
22(3), 152-158.
Scarfe, WC, Farman, AG, & Sukovic, P. (2006). Aplicações clínicas
da tomografia computadorizada de feixe cônico na prática odontológica. Journal
(Canadian Dental Association), 72(1), 75–80.
Scholl, RJ, Kellett, HM, Neumann, DP, & Lurie, AG (1999). Cistos e
lesões císticas da mandíbula: revisão clínica e radiológica ‐
histopatológica. Radiográficas, 19(5), 1107-1124. https://doi.org/
10.1148/ radiographics.19.5.g99se021107
Shin, HC, Roth, HR, Gao, M., Lu, LE, Xu, Z., Nogues, I.,… Summers, R.
M. (2016). Redes neurais convolucionais profundas para detecção auxiliada por
computador: arquiteturas CNN, características de conjuntos de dados e
aprendizagem por transferência.Transações IEEE em imagens médicas, 35(5),
1285–1298. https://doi.org/10.1109/TMI.2016.2528162
Soffer, S., Ben ‐ Cohen, A., Shimon, O., Amitai, MM, Greenspan, H., &
Klang, E. (2019). Redes neurais convolucionais para imagens radiológicas:
um guia do radiologista.Radiologia, 290(3), 590–606. https: // doi. org /
10.1148 / radiol.2018180547
Stoelinga, PJW (2012). Kaczmarzyc et al .: Uma revisão sistemática do
taxa de recorrência de tumor odontogênico ceratocístico em relação às
modalidades de tratamento. International Journal of Oral and Maxillofacial
Surgery, 41(12), 1585–1586; resposta do autor 1586–1587. https: // doi.
org / 10.1016 / j.ijom.2012.08.003
Suzuki, K. (2017). Visão geral do aprendizado profundo em imagens médicas.
Física Radiológica e Tecnologia, 10(3), 257–273. https: // doi. org /
10.1007 / s12194‐017‐0406‐5
Szegedy, C., Vanhoucke, V., Ioffe, S., Shlens, J., & Wojna, Z. (2016).
Repensando a arquitetura inicial para visão computacional. arXiv e-
print: arXiv: 1512.00567.
Wang, R. (2016). Detecção de borda usando rede neural convolucional.
Em L. Cheng, Q. Liu, & A. Ronzhin (Eds.), Advances in Neural Networks -
ISNN 2016: 13º Simpósio Internacional de Redes Neurais, ISNN 2016, São
Petersburgo, Rússia, 6 a 8 de julho de 2016, Proceedings (pp. 12–20). Cham,
Suíça: Springer International Publishing.
Yala, A., Lehman, C., Schuster, T., Portnoi, T., & Barzilay, R. (2019). Um profundo
modelo de aprendizagem baseado em mamografia para previsão de risco de
câncer de mama melhorada. Radiologia, 292(1), 60–66. https://doi.org/10.1148/
radiol.2019182716
INFORMAÇÕES DE APOIO
Informações adicionais de suporte podem ser encontradas online na
seção Informações de Suporte.
Como citar este artigo: Lee J ‐ H, Kim D ‐ H, Jeong S ‐ N. Diagnóstico de
lesões císticas por meio de imagens tomográficas computadorizadas
panorâmicas e de feixe cônico com base em rede neural de aprendizado
profundo.Oral Dis. 2020; 26: 152–158.https://doi.org/10.1111/ odi.13223