Análise do desempenho de rede neural convolucional na classificação automática de imagens tomográficas de queratocistos odontogênicos e ameloblastomas

Abstract

Introdução: Dentre as várias entidades patológicas do grupo lesões intraósseas odontogênicas benignas, confere-se destaque ao queratocisto odontogênico e ao ameloblastoma em razão de suas altas taxas de prevalência e similaridade nas características radiográficas, que tornam desafiador o diagnóstico diferencial entre elas. Nesse contexto, as Redes Neurais Convolucionais (Convolutional Neural Networks - CNNs), uma das vertentes da Inteligência Artificial, podem sugerir diagnóstico de lesões com alta precisão e rapidez ao aprender com padrões reconhecidos nas imagens de maneira supervisionada. Objetivo: analisar o desempenho da classificação automática de queratocistos odontogênicos e ameloblastomas, a partir de imagens de Tomografia Computadorizada de Multidetectores (TCMD) através do uso de um modelo de CNN. Metodologia: Para a construção do dataset foram selecionados exames por TCMD de pacientes portadores de ameloblastomas convencionais (n=22) e queratocistos odontogênicos (n=18) com laudo anatomopatológico conclusivo. As imagens tomográficas axiais foram segmentadas manualmente por um examinador experiente e submetidas a algoritmos de incremento de base, totalizando 2000 imagens. Para estimativa de acurácia do modelo CNN GooglLe Inception v.3 como classificador binário foi utilizado o método de validação cruzada k-fold, com k = 5. Resultados: Os valores de acurácia e desvio padrão (%) da validação cruzada para as cinco iterações realizadas foram de 90,16±0,95, 91,37±0,57, 91,62±0,19, 92,48±0,16 e 91,21±0,87, respectivamente. Conclusão: O modelo de CNN GoogLe Inception v.3 demonstrou resultados positivos para classificação de imagens tomográficas de queratocistos odontogênicos e ameloblastomas.

Introduction: Among the various pathological entities in the group benign odontogenic intraosseous lesions, odontogenic keratocyst and ameloblastoma are highlighted due to their high prevalence rates and similarity in radiographic characteristics, which make the differential diagnosis between them challenging. In this context, the Convolutional Neural Networks (CNNs), one of the strands of Artificial Intelligence, can suggest diagnosis of injuries with high precision and speed when learning from patterns recognized in the images in a supervised manner. Objective: to analyze the performance of the automatic classification of odontogenic keratocysts and ameloblastomas, using Multidetector Computed Tomography (MDCT) images using a CNN model. Methodology: For the construction of the dataset, MDCT examinations of patients with conventional ameloblastomas (n = 22) and odontogenic keratocysts (n = 18) with conclusive anatomopathological report were selected. The axial tomographic images were manually segmented by an experienced examiner and subjected to basic incremental algorithms, totaling 2000 images. To estimate the accuracy of the CNN GooglLe Inception v.3 model as a binary classifier, the k-fold cross-validation method was used, with k = 5. Results: The values of accuracy and standard deviation (%) of the cross-validation for the five iterations performed were 90.16 ± 0.95, 91.37 ± 0.57, 91.62 ± 0.19, 92.48 ± 0.16 and 91.21 ± 0.87, respectively. Conclusion: The CNN GoogLe Inception v.3 model showed positive results for the classification of odontogenic keratocysts and ameloblastomas tomographic images.