Protótipo baseado no aprendizado de máquina para localização anatômica do canal mandibular
Loading...
Date
Authors
Advisor(s)
Co-advisor(s)
Silva Junior, Waldir Sabino da
Committee members
Costa, Cleinaldo Almeida
Silva, Franklin Barbosa da
Silva, Franklin Barbosa da
Graduate program
Journal Title
Journal ISSN
Volume Title
Publisher
Universidade Federal do Amazonas
Type
Access rights
DOI
Resumo (Portuguese)
JUSTIFICATIVA: a identificação anatômica precisa do CM constitui etapa crítica no
planejamento de diversas intervenções odontológicas. Reduz substancialmente o
risco de lesões ao NAI, que podem resultar em déficits neurossensoriais permanentes,
implicações funcionais e impacto negativo na qualidade de vida dos pacientes. Nesse
cenário, a incorporação de tecnologias baseadas em IA, como sistemas de
aprendizado de máquina, pode representar uma estratégia eficaz para minimizar
falhas diagnósticas. Além disso, este projeto visa contribuir de forma significativa para
a comunidade científica e profissional da região Norte do Brasil, particularmente no
Estado do Amazonas, promovendo avanços no uso de tecnologias aplicadas à
Odontologia. OBJETIVO GERAL: desenvolver um modelo de aprendizado de
máquina para a identificação automatizada do canal mandibular em radiografias
panorâmicas, como etapa inicial na construção de um protótipo voltado ao apoio no
planejamento cirúrgico odontológico. METODOLOGIA: projeto de inovação baseado
em um banco de dados de estudo retrospectivo. Foram selecionadas radiografias
panorâmicas de pacientes atendidos na Policlínica Odontológica da Universidade do
Estado do Amazonas (UEA) com diagnóstico de terceiros molares inferiores inclusos
ou semi-inclusos durante o período de 2020-2022. Em termos de tecnologia de
software e engenharia, propõe-se utilizar algoritmos de aprendizado de máquina
(Machine Learning) para realizar a marcação/delimitação da região correspondente
ao nervo alveolar inferior (NAI) em imagens obtidas através de radiografias
panorâmicas automaticamente. A saída do algoritmo irá evidenciar a região do NAI.
Esta delimitação proporcionará celeridade ao tratamento e diminuição do custo para
o paciente. RESULTADOS: o dataset utilizado neste estudo contém 530 imagens
raio-X anotados, distribuídas entre conjuntos de treinamento, validação e teste. O
ajuste das imagens e máscaras foi realizado por meio de um script Python. Este
código converte imagens RGB com marcações amarelas em máscaras binárias no
formato YOLOv11. Este projeto foi submetido ao edital de fomento da PAPBCT&I/FAPEAM sob o número: 87711.UNI1089.2713.27032025, com o intuito de
auxílio financeiro para o seu respectivo desenvolvimento, projeto aprovado em fase
de contratação.
Abstract
BACKGROUND: Accurate anatomical identification of the mandibular canal is a critical
step in the planning of various dental interventions. It substantially reduces the risk of
IAN injuries, which can result in permanent neurosensory deficits, functional
implications, and a negative impact on patients' quality of life. In this scenario, the
incorporation of AI-based technologies, such as machine learning systems, can
represent an effective strategy for minimizing diagnostic errors. Furthermore, this
project aims to significantly contribute to the scientific and professional community in
the North region of Brazil, particularly in the state of Amazonas, by promoting advances
in the use of technologies applied to dentistry. GENERAL OBJECTIVE: To develop a
machine learning model for the automated identification of the mandibular canal on
panoramic radiographs, as an initial step in building a prototype to support dental
surgical planning. METHODOLOGY: This is an innovation project based on a
retrospective study database. Panoramic radiographs of patients treated at the Dental
Polyclinic of the Amazonas State University (UEA) with a diagnosis of impacted or
semi-impacted lower third molars during the period 2020-2022 were selected. In terms
of software technology and engineering, the proposed approach is to use machine
learning algorithms to automatically mark/delimit the region corresponding to the
inferior alveolar nerve (IAN) in images obtained through panoramic radiographs. The
algorithm's output will highlight the IAN region. This delimitation will speed up treatment
and reduce patient costs. RESULTS: The dataset used in this study contains 530
annotated X-ray images, distributed among training, validation, and test sets. The
images and masks were adjusted using a Python script. This code converts RGB
images with yellow markings into binary masks in YOLOv11 format. This project was
submitted to the PAPB-CT&I/FAPEAM funding notice under number:
87711.UNI1089.2713.27032025, with the aim of obtaining financial assistance for its
respective development, project approved in the contracting phase.
Description
Controlled term
Sustainable Development Goals (SDG)
Citation
SILVA, Thais da Silva e. Protótipo baseado no aprendizado de máquina para localização anatômica do canal mandibular. 2025. 53 f. Dissertação (Mestrado em Cirurgia) - Universidade Federal do Amazonas, Manaus (AM), 2025.
Collections
Endorsement
Review
Supplemented By
Referenced By
Creative Commons license
Except where otherwise noted, this item's license is described as Acesso Embargado

