OralBBNet : Segmentation dentaire guidée spatialement des radiographies panoramiques à l’aide de priorités par boîtes englobantes

La segmentation et la reconnaissance des dents jouent un rôle essentiel dans diverses applications dentaires et procédures diagnostiques. L’intégration des modèles d’apprentissage profond a facilité le développement de méthodes précises et automatisées de segmentation. Bien que des recherches antérieures aient exploré la segmentation des dents, peu de méthodes ont réussi à réaliser simultanément la segmentation et la détection des dents. Cette étude présente UFBA-425, un jeu de données dentaires dérivé du jeu de données UFBA-UESC, comprenant des annotations par boîtes englobantes et polygones pour 425 radiographies panoramiques dentaires. Par ailleurs, ce travail introduit OralBBNet, une architecture dotée de têtes distinctes pour la segmentation et la détection, respectivement basées sur U-Net et YOLOv8. OralBBNet est conçue pour améliorer la précision et la robustesse de la classification et de la segmentation des dents sur les radiographies panoramiques en exploitant les forces complémentaires de U-Net et de YOLOv8. Notre approche a atteint une amélioration de 1 à 3 % en moyenne de la précision moyenne (mAP) pour la détection des dents par rapport aux techniques existantes, ainsi qu’une amélioration de 15 à 20 % du score Dice pour la segmentation des dents par rapport à U-Net, sur diverses catégories dentaires, et une amélioration de 2 à 4 % du score Dice par rapport à d’autres architectures de segmentation. Les résultats de cette étude établissent une base solide pour une mise en œuvre plus large des modèles de détection d’objets dans le domaine du diagnostic dentaire.