Identificação de próteses em imagens odontológicas: evitando imagens ionizantes com o uso de informações hiperespectrais
Resumo
As imagens hiperespectrais, imagens em múltiplos comprimentos de onda do espectro eletromagnético da luz que vão além do espectro visível, vêm sendo bastante utilizadas para o diagnóstico médico e voltadas principalmente para a classificação de tecidos saudáveis ou malignos, devido a sua capacidade de detectar alterações em alguns marcadores biológicos, como a saturação do oxigênio. Contudo, a segmentação utilizando imagens hiperespectrais, que consiste em agrupar regiões de interesse na imagem, como por exemplo órgãos, tecidos e lesões, ainda é pouco estudada na literatura, apesar do seu grande potencial. Com isso, o objetivo deste trabalho foi estudar se imagens hiperespectrais de reflectância oral e dentária auxiliam na diferenciação entre prótese e enamel (esmalte dentário). Experimentos de segmentação usando um dataset público de imagens orais e dentárias (ODSI-DB) mostraram um melhor desempenho da U-Net treinada com imagens hiperespectrais, quando comparada com uma treinada com imagens RGB. A avaliação qualitativa mostrou também que há um grande número de máscaras de segmentação manual da classe prótese inconsistentes (41%), indicando que possivelmente o desempenho da U-Net é muito melhor do que o Dice medido.
Referências
M. Paoletti, J. Haut, J. Plaza, and A. Plaza, “Deep learning classifiers for hyperspectral imaging: A review,” ISPRS Journal of Photogrammetry and Remote Sensing, vol. 158, p. 279–317, Dec. 2019.
M. Akewar and M. Chandak, “Hyperspectral imaging algorithms and applications: A review,” Jan. 2024.
G. Lu and B. Fei, “Medical hyperspectral imaging: a review,” Journal of Biomedical Optics, vol. 19, no. 1, p. 010901, Jan. 2014.
S. Panasyuk, S. Yang, D. Faller, D. Ngo, R. Lew, J. Freeman, and et al., “Medical hyperspectral imaging to facilitate residual tumor identification during surgery,” Cancer Biol Ther, vol. 6, no. 3, p. 439–446, Mar. 2007.
J. Ma, Y. He, F. Li, L. Han, C. You, and B. Wang, “Segment anything in medical images,” Nature Communications, vol. 15, no. 1, Jan. 2024.
Y. Shen, Z. Fang, Y. Gao, N. Xiong, C. Zhong, and X. Tang, “Coronary arteries segmentation based on 3d fcn with attention gate and level set function,” IEEE Access, vol. 7, p. 42826–42835, 2019.
U. Khan, S. Paheding, C. P. Elkin, and V. K. Devabhaktuni, “Trends in deep learning for medical hyperspectral image analysis,” IEEE Access, vol. 9, pp. 79 534–79 548, 2021.
O. Ronneberger, P. Fischer, and T. Brox, “U-Net: Convolutional networks for biomedical image segmentation,” in LCNS. Cham: Springer International Publishing, 2015, pp. 234–241.
J. Hyttinen, P. Fält, H. Jäsberg, A. Kullaa, and M. Hauta-Kasari, “Oral and dental spectral image database—odsi-db,” Applied Sciences, vol. 10, no. 20, p. 7246, Oct. 2020.
G. Yang, C. V. Stewart, M. Sofka, and C.-L. Tsai, “Registration of challenging image pairs: Initialization, estimation, and decision,” IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 29, no. 11, p. 1973–1989, Nov. 2007.
H. Huang, L. Lin, R. Tong, H. Hu, Q. Zhang, Y. Iwamoto, X. Han, Y.-W. Chen, and J. Wu, “Unet 3+: A full-scale connected unet for medical image segmentation,” in ICASSP 2020 - 2020 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP). IEEE, May 2020.
K. Zou, S. Warfield, A. Bharatha, C. Tempany, M. Kaus, S. Haker, and et al., “Statistical validation of image segmentation quality based on a spatial overlap index,” Acad. Radiol., vol. 11, no. 2, pp. 178–189, 2004.
