Comparação de Arquiteturas de Redes Neurais Convolucionais para Classificação de Cáries em Radiografias Panorâmicas
Loading...
Date
Authors
Journal Title
Journal ISSN
Volume Title
Publisher
Instituto Federal de Educação, Ciência e Tecnologia do Piauí
Resumo
A cárie dentária afeta 2,5 bilhões de pessoas com lesões não tratadas em dentes permanentes, segundo relatório mais recente da OMS publicado em 2022. Nos serviços odontológicos, seu diagnóstico em radiografias panorâmicas depende da leitura visual do profissional, uma etapa sujeita a variação entre examinadores e sensível à carga de trabalho. Modelos baseados em redes neurais convolucionais têm mostrado desempenho relevante nessa tarefa, mas a literatura carece de comparações controladas entre famílias arquiteturais distintas sobre o mesmo conjunto de dados. Este trabalho compara quatro arquiteturas, Inception-v3, InceptionResNet-v2, Xception e EfficientNetV2-S, na classificação binária de recortes individuais de dentes extraídos de radiografias panorâmicas. O conjunto de dados reúne 7.304 imagens balanceadas dos repositórios públicos InReDD e DENTEX. Um terço foi destinado ao treinamento com validação cruzada estratificada de cinco folds e todas as arquiteturas passaram por fine-tuning sobre pesos pré-treinados no ImageNet, enquanto os dois terços restantes (4.870 imagens), mantidos fora do ciclo de treinamento e validação, foram reservados para avaliação por ensemble dos cinco modelos de cada arquitetura. O Xception registrou o maior F1-score médio na validação cruzada (0,9458) e a maior precisão (0,9818). O Inception-v3 foi o mais estável entre folds. O InceptionResNet-v2 obteve o maior recall médio (0,9268), perdendo menos lesões por fold. O EfficientNetV2-S ficou abaixo dos demais em todas as métricas, com acurácia média de 91,37% e desvio padrão do recall de 4,14 pontos percentuais. No conjunto de inferência, o padrão observado na validação cruzada se confirmou, o Xception manteve o melhor equilíbrio entre precisão e recall, com acurácia de ensemble de 94,52% e F1-score de 0,9433, enquanto o Inception-v3 registrou a menor taxa de falsos positivos, apenas 46 sobre as 4.870 imagens avaliadas. As três arquiteturas da família Inception foram mais robustas nesse regime de dados, e o Xception apresentou o perfil de erro mais adequado para uso em triagem odontológica.
Description
Keywords
Cárie Dentária, Radiografia Panorâmica, Transfer Learning, Redes Reurais Convolucionais, Aprendizado Profundo