Wspomaganie i automatyzacja procesów przygotowania ortodontycznych cyfrowych modeli diagnostycznych za pomocą algorytmów ML

Abstract

W niniejszej pracy chciałbym przedstawić wyniki mojej pracy nad projektem dotyczącym redukcji/eliminacji czynnika ludzkiego w przygotowaniu trójwymiarowych ortodontycznych cyfrowych modeli diagnostycznych: Skupię się na dwóch głównych problemach, które wymagają automatyzacji 1. Problem: Orientacja modelu STL (ang. stereolithography) w przestrzeni oraz detekcja i klasyfikacja poszczególnych zębów do jednej z czterech klas: siekacz, kieł, trzonowiec i przedtrzonowiec. Zaprezentowane rozwiązanie:Wykorzystałem Tensorflow Object Detection API i model o architekturze Faster R-CNN w rzutach 2D trójwymiarowych modeli. 2. Problem: Lokalizacja punktów mezjalnych i dystalnych na każdym ze znalezionych zębów (1. Problem). Zaprezentowane rozwiązanie: Użyłem dwóch podejść do rozwiązania tego problemu: regresji (keypoint detection) oraz segmentacji obrazu wraz z grupowaniem. Wykorzystałem głębokie sieci neuronowe o architekturach typu ResNets i MultiResUNet dla zagadnienia regresji w celu wyznaczenia współrzędnych punktów wraz z ich semantyką (punkty można rozróżnić) oraz MultiResUNet dla zagadnienia segmentacji obrazu, po której następuje algorytm grupujący w celu znalezienia współrzędnych punktów bez ich semantyki (punkty nierozróżnialne). Ostateczna metoda wykorzystuje oba podejścia w celu poprawy końcowych wyników na produkcji.