Détection des lésions dentaires sur radiographie rétro-alvéolaire par apprentissage profond : une étude pilote - Université de Lorraine
Master Thesis Year : 2023

Detection of dental lesions on periapical radiograph using deep learning‎ : a pilot study

Détection des lésions dentaires sur radiographie rétro-alvéolaire par apprentissage profond : une étude pilote

Simon Germain
  • Function : Author
  • PersonId : 1366577
  • IdRef : 273573063

Abstract

L’apprentissage profond est une sous partie de l’intelligence artificielle et est construit autour du développement de réseaux de neurones artificiels qui permettent de catégoriser automatiquement des ensembles de données. Ce travail permet de définir de manière générale le fonctionnement des algorithmes d’apprentissage profond. Ce travail propose également d’exposer les différents domaines d’action de l’apprentissage profond en médecine et plus particulièrement en odontologie. Il nous permet aussi d’en voir ses perspectives futures, ses avantages et ses limites. Cette étude pilote avait pour objectif de créer un réseau de neurones convolutifs capable de segmenter les lésions carieuses en secteur 4. Un protocole a été mis en place pour créer cet algorithme et obtenir des résultats. Nous commencerons par des définitions et des généralités sur l’apprentissage profond dans l’analyse d’image par ordinateur puis nous détaillerons la radiographie rétroalvéolaire et les lésions carieuses et enfin, nous décrirons le protocole d’expérimentation que nous avons mené concernant la création d’un réseau de neurones pour la détection de lésion dentaire par apprentissage profond.
Fichier principal
Vignette du fichier
ODON_T_2023_3053_GERMAIN_SIMON.pdf (4.49 Mo) Télécharger le fichier
Origin Files produced by the author(s)

Dates and versions

hal-04517102 , version 1 (22-03-2024)

Identifiers

  • HAL Id : hal-04517102 , version 1

Cite

Simon Germain. Détection des lésions dentaires sur radiographie rétro-alvéolaire par apprentissage profond : une étude pilote. Sciences du Vivant [q-bio]. 2023. ⟨hal-04517102⟩
34 View
122 Download

Share

More