DIACEFAL : Algoritmo para el diagnóstico cefalométrico utilizando radiografía lateral del cráneo. Proyecto de investigación

Abstract

RESUMEN : En la actualidad, el análisis cefalométrico es un procedimiento esencial en el diagnóstico, planificación y seguimiento de tratamientos de ortodoncia, ortopedia y odontopediatría. A pesar de que existen software para realizar análisis cefalométrico, no se contemplan en ellos algunas medidas utilizadas de referencia, lo que obliga a los profesionales a realizarlas de manera manual, lo que se convierte en un proceso laborioso que consume tiempo y propenso a errores. La necesidad de un método automatizado eficiente motivó el desarrollo de un algoritmo basado en aprendizaje profundo (DL). El proyecto se centró en implementar el análisis cefalométrico de Bimler, utilizando el modelo de detección de objetos YOLOv8. Se recopiló un conjunto de datos compuesto por radiografías laterales del cráneo, que fueron etiquetadas manualmente para identificar los puntos cefalométricos. Estos datos se utilizaron para entrenar el modelo, aprovechando la plataforma Roboflow para la gestión del dataset. El desarrollo del sistema incluyó varios componentes clave: la creación de un dataset etiquetado, el entrenamiento y ajuste del modelo YOLOv8, y el desarrollo de una interfaz de usuario en Java para la aplicación clínica del modelo.

ABSTRACT : Nowadays, cephalometric analysis is an essential procedure in the diagnosis, planning, and follow-up of orthodontic, orthopedic, and pediatric dentistry treatments. Although there is software available to perform cephalometric analysis, some reference measurements are not included, which forces professionals to perform them manually, making it a laborious, time-consuming process prone to errors. The need for an efficient automated method motivated the development of an algorithm based on deep learning (DL). The project focused on implementing Bimler’s cephalometric analysis using the YOLOv8 object detection model. A dataset consisting of lateral skull X-rays was collected and manually labeled to identify cephalometric points. This data was used to train the model, leveraging the Roboflow platform for dataset management. The development of the system included several key components: creating a labeled dataset, training and fine-tuning the YOLOv8 model, and developing a user interface in Java for the clinical application of the model.