Image Processing Techniques Applied to Oral Medicine
Resumo
O objetivo principal desta tese é investigar a aplicabilidade de técnicas de processamento de imagem no campo de imagens orais, por meio de uma seleção de casos de uso de problemas orais que podem ser mapeados em diferentes tarefas computacionais. Para investigar a validade desta abordagem, um conjunto de novos métodos é proposto empregando diferentes técnicas de IP. Este trabalho apresenta um conjunto de ferramentas para serem empregadas em cenários clínicos, auxiliando especialistas em medicina oral em diversas tarefas, através de algoritmos de suporte à decisão para o diagnóstico de problemas orais, ao invés de de apenas fornecer interfaces de visualização para exames de imagem como as soluções comerciais atuais.Referências
Abdalla-Aslan, R., Yeshua, T., Kabla, D., Leichter, I., and Nadler, C. (2020). An artificial intelligence system using machine-learning for automatic detection and classification of dental restorations in panoramic radiography. Oral surgery, oral medicine, oral pathology and oral radiology, 130(5):593–602.
Dong, C., Loy, C. C., He, K., and Tang, X. (2015). Image super-resolution using deep convolutional networks. IEEE transactions on pattern analysis and machine intelligence, 38(2):295–307.
Ledig, C., Theis, L., Huszár, F., Caballero, J., Cunningham, A., Acosta, A., Aitken, A., Tejani, A., Totz, J., Wang, Z., et al. (2017). Photo-realistic single image super-resolution using a generative adversarial network. In Proceedings of the IEEE conference on computer vision and pattern recognition, pages 4681–4690.
Moran, M. B., Faria, M. D., Giraldi, G. A., Bastos, L. F., and Conci, A. (2020). Using super-resolution generative adversarial network models and transfer learning to obtain high resolution digital periapical radiographs. Computers in biology and medicine, 129:104139.
Schwendicke, F., Golla, T., Dreher, M., and Krois, J. (2019). Convolutional neural networks for dental image diagnostics: A scoping review. Journal of Dentistry, 91:103226.
Schwendicke, F., Samek, W., and Krois, J. (2020). Artificial intelligence in dentistry: Chances and challenges. Journal of Dental Research, page 0022034520915714.
Dong, C., Loy, C. C., He, K., and Tang, X. (2015). Image super-resolution using deep convolutional networks. IEEE transactions on pattern analysis and machine intelligence, 38(2):295–307.
Ledig, C., Theis, L., Huszár, F., Caballero, J., Cunningham, A., Acosta, A., Aitken, A., Tejani, A., Totz, J., Wang, Z., et al. (2017). Photo-realistic single image super-resolution using a generative adversarial network. In Proceedings of the IEEE conference on computer vision and pattern recognition, pages 4681–4690.
Moran, M. B., Faria, M. D., Giraldi, G. A., Bastos, L. F., and Conci, A. (2020). Using super-resolution generative adversarial network models and transfer learning to obtain high resolution digital periapical radiographs. Computers in biology and medicine, 129:104139.
Schwendicke, F., Golla, T., Dreher, M., and Krois, J. (2019). Convolutional neural networks for dental image diagnostics: A scoping review. Journal of Dentistry, 91:103226.
Schwendicke, F., Samek, W., and Krois, J. (2020). Artificial intelligence in dentistry: Chances and challenges. Journal of Dental Research, page 0022034520915714.
Publicado
09/06/2025
Como Citar
MORAN, Maira B. H.; CONCI, Aura.
Image Processing Techniques Applied to Oral Medicine. In: PRÊMIO ARTUR ZIVIANI - CONCURSO DE TESES E DISSERTAÇÕES (DOUTORADO) - SIMPÓSIO BRASILEIRO DE COMPUTAÇÃO APLICADA À SAÚDE (SBCAS), 25. , 2025, Porto Alegre/RS.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2025
.
p. 181-186.
ISSN 2763-8987.
DOI: https://doi.org/10.5753/sbcas_estendido.2025.7042.
