Identificar las piezas dentarias mediante procesamiento digital de imágenes y Deep Learning

Context: Oral health professionals require extensive study to identify the anatomy of the teeth with their respective morphology, for this a computational model based on artificial intelligence (AI) was prepared that creates a graphical interface and allows the user to identify each tooth. Method: To characterize the morphological structure of a dental piece, experimental techniques of Digital Image Processing (DIP) were used; that is, bring your dental anatomy; color, size, and shape to computer representations. For which, a bank of images of dental pieces was prepared, which were obtained both in the clinic of the Pilot School of Dentistry and the Internet. The model was based on Convolutional Neural Networks (CNN) and went through phases typical of the PDI Results: The algorithm was developed in Matlab, and the results were submitted to validation by experts. After training, the tests revealed an accuracy of 94.49% for detection of teeth, while for molars the effectiveness was 87.5% in detection. individual. Conclusions: The work suggests that the number of labeled images contributes to improving the accuracy of the results as long as they are of high resolution, it is also clear that there is an influence between the visible and non-visible spectrum of the images for the recognition of dental pieces. Contexto: Los profesionales de la salud oral requieren un amplio estudio para identificar la anatómica de las piezas dentarias con su respectiva morfología, para esto se preparó un modelo computacional basado en inteligencia artificial (IA) que crea una interfaz gráfica y permite al usuario identificar cada pieza dental. Método: Para realizar el caracterizado de la estructura morfológica de una pieza dental, se emplearon técnicas experimentales de Procesamiento Digital de Imágenes (PDI); es decir, llevar su anatomía dental; color, tamaño y forma a representaciones computacionales. Para lo cual, se preparó un banco de imágenes de piezas dentales, que fueron obtenidas tanto en la clínica de la Facultad Piloto de Odontología e internet. El modelo se basó en Redes Neuronales Convolucionales (RNC) y pasó por fases propias del PDI Resultados: El algoritmo fue desarrollado en Matlab, y los resultados sometidos a validación de expertos, luego del entrenamiento, las pruebas revelaron una precisión del 94.49% para detección de dientes, mientras que para las muelas la efectividad fue de un 87,5% en la detección individual. Conclusiones: El trabajo sugiere que la cant