Redes Neurais Profundas para classificar imagens de radiografias odontológicas panorâmicas na perspectiva de grupos etários: Um estudo exploratório

• Michele Faria de Oliveira UFC
• Fischer Jônatas Ferreira UNIFEI
• Iális Cavalcante de Paula Júnior UFC

DOI: https://doi.org/10.5753/sbcas.2026.21673

Resumo

A estimativa de idade a partir de radiografias panorâmicas odontológicas tem aplicações relevantes em contextos forenses, clínicos e legais. Métodos tradicionais baseados na análise do desenvolvimento dentário apresentam limitações relacionadas à subjetividade e à dificuldade de generalização entre populações. Nesse cenário, redes neurais profundas têm sido investigadas como alternativa para automatizar esse processo. Este trabalho avalia o desempenho de diferentes arquiteturas de redes neurais convolucionais na classificação de faixas etárias a partir de radiografias panorâmicas. Foram conduzidos experimentos com nove arquiteturas, utilizando técnicas de préprocessamento, aumento de dados e transfer learning. Os resultados indicaram melhor desempenho da arquitetura EfficientNetB5, seguida por ResNet50 e InceptionV3, evidenciando o potencial dessas abordagens para aplicações em odontologia forense e sistemas de apoio à decisão.

Referências

Ataş, İ., Özdemir, C., Ataş, M., and Doğan, Y. (2022). Forensic dental age estimation using modified deep learning neural network. Balkan Journal of Electrical and Computer Engineering, 11(4):298–305.

Baylis, S., Dipnall, J. F., and Bassed, R. (2026). Dental age estimation: a scoping review comparing the manual application of the demirjian method and artificial intelligence modalities. International journal of legal medicine.

de Oliveira, M. F., Ferreira, F. J., and de Paula Júnior, I. C. (2025). Estimativa de idade por meio redes neurais profundas: Uma revisao sistemática da literatura.

Gracea, R. S., Winderickx, N., Vanheers, M., Hendrickx, J., Preda, F., Shujaat, S., de Llano-Pérula, M. C., and Jacobs, R. (2025). Artificial intelligence for orthodontic diagnosis and treatment planning: A scoping review. Journal of dentistry, 152:105442.

Guo, Y.-C., Han, M., Chi, Y., Long, H., Zhang, D., Yang, J., Yang, Y., Chen, T., and Du, S. (2021). Accurate age classification using manual method and deep convolutional neural network based on orthopantomogram images. International journal of legal medicine, 135:1589–1597.

Khanagar, S. B., Albalawi, F., Alshehri, A., Awawdeh, M., Iyer, K., Alsomaie, B., Aldhebaib, A., Singh, O. G., and Alfadley, A. (2024). Performance of artificial intelligence models designed for automated estimation of age using dento-maxillofacial radiographs—a systematic review. Diagnostics, 14(11):1079.

Koch, R. M., Mentzel, H.-J., and Heinrich, A. (2025). Deep learning for forensic age estimation using orthopantomograms in children, adolescents, and young adults. European Radiology, 35(7):4191–4202.

Moreira, A. G., dos Santos, S. A., de Oliveira, M. F., de Paula Júnior, I. C., and de Assis, D. F. (2024). Classificaçao de tumores cerebrais em imagens de ressonância magnética. In Simpósio Brasileiro de Computação Aplicada à Saúde (SBCAS), pages 424–435. SBC.

Mualla, N., Houssein, E. H., and Hassan, M. (2020). Dental age estimation based on x-ray images. Computers, Materials & Continua, 62(2).

Nino-Sandoval, T. C., Doria-Martinez, A. M., Escobar, R. A. V., Sánchez, E. L., Rojas, I. B., Álvarez, L. C. V., Mc Cann, D. S. F., and Tamara-Patino, L. M. (2024). Efficacy of the methods of age determination using artificial intelligence in panoramic radiographs—a systematic review. International Journal of Legal Medicine, 138(4):1459–1496.

Nushi, V., Santos, R., Brkić, H., Oliveira, A., Francisco, A., and Palmela Pereira, C. (2025). Pre-trained vgg16 model for forensic dental age estimation. Egyptian journal of forensic sciences, 15(1):1–12.

Oliveira, W., Albuquerque Santos, M., Burgardt, C. A. P., Anjos Pontual, M. L., and Zanchettin, C. (2024). Estimation of human age using machine learning on panoramic radiographs for brazilian patients. Scientific Reports, 14(1):19689.

Ong, S.-H., Kim, H., Song, J.-S., Shin, T. J., Hyun, H.-K., Jang, K.-T., and Kim, Y.-J. (2024). Fully automated deep learning approach to dental development assessment in panoramic radiographs. BMC Oral Health, 24(1):426.

Ozlu Ucan, G., Gwassi, O. A. H., Apaydin, B. K., and Ucan, B. (2025). Automated age estimation from opg images and patient records using deep feature extraction and modified genetic–random forest. Diagnostics, 15(3):314.

Shi, Y., Ye, Z., Guo, J., Tang, Y., Dong, W., Dai, J., Miao, Y., and You, M. (2024). Deep learning methods for fully automated dental age estimation on orthopantomograms. Clinical Oral Investigations, 28(3):198.

Singh, K., Kumar, P., and Urs, A. B. (2026). Digital methods of dental age. Dental Age Assessment: A Global Perspective, page 111.

Sivri, M. B., Taheri, S., Ercan, R. G. K., Yağcı, Ü., and Golrizkhatami, Z. (2024). Dental age estimation: A comparative study of convolutional neural network and demirjian’s method. Journal of Forensic and Legal Medicine, 103:102679.

Tokinaga, R., Mine, Y., Yoshimi, Y., Okazaki, S., Ito, S., Takeda, S., Ogawa, S., Peng, T.-Y., Kakimoto, N., Tanimoto, K., et al. (2025). Age estimation from lateral cephalograms using deep learning: A pilot study from early childhood to older adults. Journal of Clinical Medicine, 14(19):7084.

Wang, J., Dou, J., Han, J., Li, G., and Tao, J. (2023). A population-based study to assess two convolutional neural networks for dental age estimation. BMC Oral Health, 23(1):109.