| Processo: | 22/07081-5 |
| Modalidade de apoio: | Bolsas no Exterior - Estágio de Pesquisa - Pós-Doutorado |
| Data de Início da vigência: | 01 de novembro de 2022 |
| Data de Término da vigência: | 31 de outubro de 2023 |
| Área de conhecimento: | Ciências da Saúde - Odontologia - Endodontia |
| Pesquisador responsável: | Manoel Damiao de Sousa Neto |
| Beneficiário: | Amanda Candemil Kanashiro |
| Supervisor: | Filippo Gatti |
| Instituição Sede: | Faculdade de Odontologia de Ribeirão Preto (FORP). Universidade de São Paulo (USP). Ribeirão Preto , SP, Brasil |
| Instituição Anfitriã: | École Centrale Paris, França |
| Vinculado à bolsa: | 21/01623-8 - Efeito da redução de artefatos gerados por materiais de alta densidade em imagens de tomografia computadorizada de feixe cônico por inteligência artificial no diagnóstico de fratura radicular vertical e perfuração radicular, BP.PD |
| Assunto(s): | Aprendizagem profunda Artefatos Diagnóstico por imagem Tomografia computadorizada de feixe cônico Radiologia odontológica |
| Palavra(s)-Chave do Pesquisador: | Aprendizado profundo | artefatos | diagnóstico por imagem | Endodontia | Fratura dos dentes | Tomografia Computadorizada de Feixe Cônico | Endodontia e Radiologia Odontológica |
Resumo A tomografia computadorizada de feixe cônico (TCFC) é um exame de imagem utilizado em endodontia para diagnosticar doenças e avaliar a anatomia radicular interna, porém, uma de suas limitações é a presença de artefatos que dificultam a eficácia diagnóstica. Embora a literatura apresente diferentes técnicas para reduzir artefatos, até o momento, não existem métodos eficazes que contribuam para sua redução. A rede neural convolucional profunda (DCNN) tem mostrado abordagens promissoras para reduzir a presença de artefatos oriundos de materiais de alta densidade, porém, além da literatura científica apresentar apenas dados preliminares, com redes neurais com baixo treinamento por poucas imagens de TCFC, não há informações sobre seu impacto na precisão diagnóstica de tarefas clínicas, como fratura e perfuração. Portanto, este estudo tem como objetivo criar uma DCNN para reduzir os artefatos a partir de materiais de alta densidade e baixa dose de raios X, com base em exames de TCFC, avaliar o impacto na precisão diagnóstica de diferentes tarefas clínicas e analisar e comparar sua eficácia com outros métodos de redução de artefatos. O design inicial da DCNN Ad-hoc será corrigido nas instalações computacionais do Mésocentre Moulon (Ruche - supercomputador Lenovo de Centrale Supélec e ENS Paris Saclay) considerando os resultados preliminares da pesquisa e todas as imagens de TCFC serão reinseridas na DCNN para validação e treinamento da rede. As imagens de TCFC serão corrigidas pela DCNN treinada e serão analisadas subjetivamente por quatro observadores para indicar a presença de fratura radicular vertical e perfuração radicular com um escala. E, adicionalmente, as imagens serão analisadas objetivamente por um observador, que irá mensurar a relação sinal-ruído e homogeneidade do valor de cinza de uma área homogênea. Todas as imagens serão avaliadas nos softwares de CBCT OsiriX MD v.7.5.1 e e-Vol DX e serão posteriormente comparadas. (AU) | |
| Matéria(s) publicada(s) na Agência FAPESP sobre a bolsa: | |
| Mais itensMenos itens | |
| TITULO | |
| Matéria(s) publicada(s) em Outras Mídias ( ): | |
| Mais itensMenos itens | |
| VEICULO: TITULO (DATA) | |
| VEICULO: TITULO (DATA) | |