Xây dựng hệ dữ liệu hỗ trợ máy học để chẩn đoán sàng lọc sâu răng giai đoạn sớm
Nội dung chính của bài viết
Tóm tắt
Nghiên cứu nhằm xây dựng hệ dữ liệu hỗ trợ máy học để chẩn đoán sàng lọc sâu răng giai đoạn sớm ở trẻ 3 - 6 tuổi trên một số cơ sở thuộc địa bàn thành phố Hà Nội. Kết quả nghiên cứu cho thấy: Số lượng ảnh tổn tương sâu răng giai đoạn sớm trong kho dữ liệu của nghiên cứu này là 478 ảnh. Có sự đa dạng về số lượng và vị trí tổn thương sâu răng giai đoạn sớm ở cả 5 góc chụp ảnh trong miệng như ảnh toàn cảnh, ảnh bên phải, ảnh bên trái, ảnh hàm trên, ảnh hàm dưới lần lượt là: 505 răng, 362 răng, 363 răng, 50 răng và 90 răng. Kho dữ liệu được xây dựng có sự phân bố của các tổn thương sâu răng giai đoạn sớm tập trung nhiều ở ảnh vùng mặt ngoài của răng với 994 tổn thương, mặt nhai là 65 tổn thương và mặt bên chỉ là 14 tổn thương.
Chi tiết bài viết
Từ khóa
Kho dữ liệu, sâu răng giai đoạn sớm, trẻ 3-6 tuổi
Tài liệu tham khảo
2. Vinayahalingam S, Xi T, Bergé S, et al. Automated detection of third molars and mandibular nerve by deep learning. Scientific reports.2019; 9(1), 1 - 7.
3. Ngoc VTN, Agwu AC, Son LH, et al. The Combination of Adaptive Convolutional Neural Network and Bag of Visual Words in Automatic Diagnosis of Third Molar Complications on Dental X-Ray Images. Diagnostics. 2020; 10(4), 209.
4. Young DA, Nový BB, Zeller GG, et al. The American Dental Association caries classification system for clinical practice: a report of the American Dental Association Council on Scientific Affairs. The Journal of the American Dental Association. 2015; 146(2), 79 - 86.
5. Pitts NB, Ekstrand KR & ICDAS Foundation. International Caries Detection and Assessment System (ICDAS) and its International Caries Classification and Management System (ICCMS)–methods for staging of the caries process and enabling dentists to manage caries. Community dentistry and oral epidemiology. 2013; 41(1), e41 - e52.
6. Gomez J, Tellez M, Pretty IA, et al. Noncavitated carious lesions detection methods: a systematic review. Community Dentistry and Oral Epidemiology. 2013; 41(1), 55 - 66.
7. Boye U, Walsh T, Pretty IA, Tickle M. Comparison of photographic and visual assessment of occlusal caries with histology as the reference standard. BMC Oral Health. 2012; 12(1), 10.
8. Kohara EK, Abdala CG, Novaes TF, et al. Is it feasible to use smartphone images to perform telediagnosis of different stages of occlusal caries lesions? PloS one. 2018; 13(9), e0202116.
9. Nguyễn Thị Thùy Linh. Thực trạng bệnh sâu răng của học sinh 8 tuổi tại trường tiểu học Kim Liên, Đống Đa, Hà Nội qua khám lâm sàng và chụp ảnh bằng smartphone. Đại Học Y Hà Nội, 2018: p. 44.
10. Lưu Văn Tường., Thực trạng bệnh sâu răng sữa sớm và một số yếu tố liên quan với sâu răng với học sinh mầm non 03 tuổi tại Hà Nội. Tạp chí Y dược học Việt Nam.2019; 480 ( 1 & 2): p. 94-99.
11. Roh Y, Heo G, Whang SE. A survey on data collection for machine learning: a big dataai integration perspective. IEEE Transactions on Knowledge and Data Engineering. 2019
12. Ashique KT, Kaliyadan F. Clinical photography for trichology practice: Tips and tricks. International journal of trichology. 2011; 3(1), 7.
13. Võ Trương Như Ngọc. Chụp ảnh nha khoa bằng điện thoại di động thông minh in Ghi hình răng hàm mặt. 2018; p. 135 - 143.
14. Berdouses ED, Koutsouri GD, Tripoliti EE, et al. A computer-aided automated methodology for the detection and classification of occlusal caries from photographic color images. Computers in biology and medicine. 2015; 62, 119 - 135.
15. Rana, A., Yauney, G., Wong, L. C., Gupta, O., Muftu, A., & Shah, P. Automated segmentation of gingival diseases from oral images. IEEE Healthcare Innovations and Point of Care Technologies (HI-POCT). 2017; (pp. 144-147).
16. Hwang JJ, Jung YH, Cho BH, et al. An overview of deep learning in the field of dentistry. Imaging science in dentistry.2019; 49(1), 1 - 7.