Escudo de la República de Colombia
Sistema Nacional de Biliotecas - Repositorio Institucional Universidad Nacional de Colombia Biblioteca Digital - Repositorio Institucional UN Sistema Nacional de Bibliotecas UN

Uso de técnicas de aprendizaje automatizado para predicción de morfología mandibular en clase I, II y III esquelética

Niño Sandoval, Tania Camila (2012) Uso de técnicas de aprendizaje automatizado para predicción de morfología mandibular en clase I, II y III esquelética. Maestría thesis, Universidad Nacional de Colombia - Sede Bogotá.

Texto completo

[img]
Vista previa
PDF - Versión Aceptada
Available under License Creative Commons Attribution Non-commercial No Derivatives.

3MB

Resumen

Las técnicas de aprendizaje automatizado se emplean principalmente para clasificar y predecir datos en diferentes aplicaciones. El objetivo de esta investigación fue predecir a través de estos métodos la morfología mandibular en maloclusiones Clase I, Clase II y Clase III esquelética, empleando medidas craneomaxilares. Se recolectaron 229 radiografías posteroanteriores y de perfil de adultos jóvenes colombianos de ambos sexos. Se emplearon coordenadas de landmarks óseos para formar variables craneomaxilares y mandibulares. Se probó inicialmente la clasificación de maloclusiones esqueléticas por medio de una máquina de vectores de soporte con un kernel lineal, excluyendo las variables mandibulares. En las radiografías posteroanteriores tuvo una precisión del 66%, clasificando en 71.43%, 70% y 60.87% para la Clase I, II y III. Para las radiografías de perfil, la precisión fue de 74.51%, con un 62.50%, 77.78% y 82.35% en la Clase I, II y III, definida por los atributos ENP-A-Pr, Zm-A-Pr, Te-Pr-A, Pr-A-Te, RhiA-Pr, A-Pr-Rhi, A-Te-Pr, A-N-Pr, N-Pr-A, Pr-A-N. En predicción, se usaron variables mandibulares específicas a partir de medidas craneofaciales seleccionadas evaluándose por medio de un coeficiente de correlación a través de una ridge regression; las variables Cdd-God, Cdd-Me, Cdi-Cdd, Cdi-Me y Goi-God tuvieron un r de 0.72, 0.82, 0.77, 0.86 y 0.76 con las redes neuronales en las radiografías posteroanteriores. Y en las radiografías de perfil, las medidas Gn-Id, Cd-Go-Gn, Gn-B, Gn-Pg, Go-Gn, Go-Me, Id-Gn-Go, Pg-B, Cd-Go-Gn, Gn-B, Gn-Pg, Go-Gn, Go-Me, Id-Gn-Go y Pg-B obtuvieron coeficientes de 0.95, 0.99, 0.95, 0.84, 0.91, 0.89, 0.93, 0.84, 0.95, 0.93, 0.98, 0.86, 0.84, 0.88, 0.96, 0.96 y 0.92 respectivamente. Las técnicas de aprendizaje automatizado en especial las redes neuronales, demostraron una precisión relevante que podría tener importancia en la reconstrucción facial para el proceso de individualización., Abstract. Learning machine techniques are used primarily to classify and predict data in different applications. The aim of this study was to predict through these techniques mandibular morphology in skeletal malocclusion Class I, Class II and Class III, by using craniomaxillary measurements. 229 posteroanterior and lateral cephalograms of Colombian young adults of both sexes were collected. Coordinates of landmarks were used to create mandibular and cranio-maxillary attributes. Skeletal malocclusions classification using a support vector machine with a linear kernel was initially performed. An accuracy of 66% was found in posteroanterior cephalograms, with a classification percentage of 71.43%, 70% and 60.87% in Class I, Class II and Class III respectively. An accuracy of 74.51% was found in lateral cephalograms with a classification percentage of 62.50%, 77.78% and 82.35% in Class I, Class II and Class III respectively, defined by ENP-A-Pr, Zm-APr, Te-Pr-A, Pr-A-Te, Rhi-A-Pr, A-Pr-Rhi, A-Te-Pr, A-N-Pr, N-Pr-A and Pr-A-N angles. In prediction, specific mandibular variables from selected craniofacial measurements were used, an artificial neural network was applied, and a ridge regression was employed in order to access the prediction. Cdd-God, Cdd-Me, Cdi-Cdd, Cdi-Me and Goi-God had the biggest coefficient correlations of 0.72, 0.82, 0.77, 0.86 and 0.76 respectively in posteroanterior cephalograms. In lateral cephalograms the best coefficient correlations were 0.95, 0.99, 0.95, 0.84, 0.91, 0.89, 0.93, 0.84, 0.95, 0.93, 0.98, 0.86, 0.84, 0.88, 0.96, 0.96 and 0.92 in the attributes: Gn-Id, Cd-Go-Gn, Gn-B, Gn-Pg, Go-Gn, Go-Me, IdGn-Go, Pg-B, Cd-Go-Gn, Gn-B, Gn-Pg, Go-Gn, Go-Me, Id-Gn-Go and Pg-B, respectively. Automated learning techniques especially artificial neural networks demonstrated a significant performance, which could become important in facial reconstruction for the individualization process.

Tipo de documento:Tesis/trabajos de grado - Thesis (Maestría)
Colaborador / Asesor:Guevara Pérez, Sonia Victoria and González Osorio, Fabio Augusto
Información adicional:Magister en Odontología. Línea de Investigación: Biometría Craneofacia
Palabras clave:Redes Neuronales Artificiales, Máquinas de Vectores de Soporte, Predicción, Mandíbula, Biometría, Maloclusión Clase I, II, III, Esquelética / Artificial Neural, Networks, Support Vector, Machine, Prediction, Mandible, Biometry, Skeletal Class I, II, III, Malocclusion
Temática:3 Ciencias sociales / Social sciences > 37 Educación / Education
6 Tecnología (ciencias aplicadas) / Technology > 61 Ciencias médicas; Medicina / Medicine & health
6 Tecnología (ciencias aplicadas) / Technology > 62 Ingeniería y operaciones afines / Engineering
Unidad administrativa:Sede Bogotá > Facultad de Odontología > Odontología
Código ID:9055
Enviado por : Tania Camila Niño Sandoval
Enviado el día :18 Dec 2012 14:14
Ultima modificación:06 Mar 2017 15:10
Ultima modificación:06 Mar 2017 15:10
Exportar:Clic aquí
Estadísticas:Clic aquí
Compartir:

Solamente administradores del repositorio: página de control del ítem

Vicerrectoría de Investigación: Número uno en investigación
Indexado por:
Indexado por Scholar Google WorldCat DRIVER Registry of Open Access Repositories OpenDOAR Metabiblioteca BDCOL OAIster Red de repositorios latinoamericanos DSpace BASE Open archives La referencia Colombiae Open Access Theses and Dissertations Tesis latinoamericanas CLACSO
Este sitio web se ve mejor en Firefox