مریم کوثریان - گروه برق، دانشکده فنی و مهندسی، واحد کازرون، دانشگاه آزاد اسلامی، کازرون، ایران
مهدی تقی زاده - گروه برق، دانشکده فنی و مهندسی، واحد کازرون، دانشگاه آزاد اسلامی، کازرون، ایران
جاسم جمالی - گروه برق، دانشکده فنی و مهندسی، واحد کازرون، دانشگاه آزاد اسلامی، کازرون، ایران

در سال های اخیر، پردازش تصویر دندانی با کاهش مشکلات ذاتی موجود در رادیوگراف های دندانی، یک ابزار مفیدیدر کمک به تشخیص و سلامت دندان شده است. جدا از پیشرفتهای حاصله در این زمینه، تشخیص های دقیقپوسیدگی های دندانی با استفاده از ابزارهای تشخیص به کمک کامپیوتر، به خاطر ماهیت غیر یکنواخت اشعه های ایکسدندانی هنوز مشکل زا هستند. دلیل اینکه چرا تشخیص دقیق مشکل زا است به خاطر این می باشد که سیستم های موجودبرای الگوریتم های تشخیصی خود از یک مدل یادگیری نظارتی بهره می گیرند. استفاده از این روش منجر به یک سیستمتشخیصی می شود که برای شناسایی پوسیدگی های دندانی تحت شرایط معینی آموزش داده می شود. زمانی که تصاویرورودی از روی مجموعه آموزشی به شدت تغییر می کنند، این سیستم ها به تشخیص نادرست بیماری تمایل پیدا می کنند.در این این مقاله، یک روشی برای بخش بندی دندان ها در تصاویر اشعه ایکس ارائه می نماید و نیز یک روشی برایتشخیص پوسیدگی های دندانی از میان یک تعداد تصاویر غیر همگن اشعه ایکس با استفاده از یک مدل یادگیری غیرنظارتی ارائه می نماید. روش تشخیصی ارائه شده در این مقاله، از یک پروتکل ارزیابی مشابه با آن چیزی که دندان پزشکبرای ارزیابی وجود پوسیدگی استفاده می کند، استفاده می نماید. استفاده از این پروتکل ارزیابی منجر به این می شود کهپوسیدگی ها نسبت به خود تصویر ارزیابی شوند و نه نسبت به یک مجموعه ای از شناسایی گره ای بدست آمده از یک مدلیادگیری. دوام پذیری یک مدل یادگیری غیر نظارتی، و کارآیی نسبی آن در تشخیص دقیق پوسیدگی های دندانی درهنگام مقایسه با سیستم های موجود، به وسیله نتایج بدست آمده در این مقاله، مشخص می گردد. این روش پیشنهادی بهیک تشخیص درست % ۹۶ دست پیدا کرده است که برتری آن را نسبت به مدل های مجود اثبات می کند.

تصاویر اشعه ایکس، یادگیری غیر نظارتی و پوسیدگی دندان