Show simple item record

dc.contributor.advisorPastore, Vito Paolo <1989>
dc.contributor.advisorOdone, Francesca <1971>
dc.contributor.advisorRovetta, Stefano <1966>
dc.contributor.authorArata, Alessandro <1999>
dc.contributor.otherMarco Migliorati
dc.date.accessioned2023-10-12T14:19:23Z
dc.date.available2023-10-12T14:19:23Z
dc.date.issued2023-10-04
dc.identifier.urihttps://unire.unige.it/handle/123456789/6412
dc.description.abstractLa sutura mediopalatale è una caratteristica anatomica che contribuisce alla stabilità e allo sviluppo della mascella superiore, svolgendo un ruolo significativo nella funzione orale e nell'occlusione dentale. La classificazione dello stadio della sutura mediopalatale è importante per diversi motivi, in particolare nel campo dell'ortodonzia e dell'ortopedia dentofacciale: in alcune procedure odontoiatriche e ortodontiche, come l'espansione rapida dei mascellari o l'espansione chirurgica dei mascellari, la sutura mediopalatale può essere intenzionalmente allargata per risolvere problemi come un palato stretto o un morso crociato. Esistono diversi metodi di classificazione utilizzati dagli ortodontisti per identificare correttamente lo stadio della sutura palatale media in base all'osservazione di caratteristiche specifiche della sutura, ma in molti casi la classificazione non è banale; inoltre, non sono ancora stati proposti metodi o approcci di machine learning per affrontare questo problema. In questa tesi abbiamo esplorato il problema di sviluppare modelli di deep learning in grado di classificare lo stadio della sutura e di fornire risultati spiegabili per aiutare gli ortodontisti a identificare lo stadio maturativo della sutura. Valutando dapprima diversi convolutional neural network su questo problema di classificazione, poi sviluppando un'architettura di reti neurali convoluzionali basata su modelli preaddestrati e definendo infine un processo di addestramento personalizzato volto a focalizzare l'attenzione dei modelli sulla sutura mediopalatale, dimostriamo che è possibile fornire previsioni accurate dello stadio della sutura mediopalatale e risultati spiegabili a supporto della classificazione.it_IT
dc.description.abstractThe midpalatal suture is an anatomical feature that contributes to the stability and development of the upper jaw, playing a significant role in oral function and dental occlusion. Classifying the stage of the midpalatal suture is important for several reasons, particularly in the field of orthodontics and dentofacial orthopedics: in certain dental and orthodontic procedures, such as rapid maxillary expansion or surgically assisted maxillary expansion, the midpalatal suture can be intentionally widened to address issues like a narrow palate or a crossbite. There exist different classification methods used by orthodontists to correctly identify the stage of the midpalatal suture based on observing specific features of the suture, but in many instances the classification is non trivial; also, no machine learn- ing methods or approaches have been yet proposed to tackle this problem. In this thesis we explored the problem of developing deep learning models able to classify the stage of the suture and to provide explainable results to aid the orthodontists in identifying the maturational stage of the suture. By first assessing different convolutional neural networks on this classification task, then by developing a convolutional neural networks architecture based on pretrained models and finally defining a custom training process aimed at focusing the models’ attention towards the midpalatal suture, we show that it is possible to provide accurate predicitions of the stage of the midpalatal suture and explainable results supporting the classification.en_UK
dc.language.isoen
dc.rightsinfo:eu-repo/semantics/restrictedAccess
dc.titleClassificazione della sutura palatina mediana in immagini di tomografiait_IT
dc.title.alternativeMidpalatal suture classification in tomography imagesen_UK
dc.typeinfo:eu-repo/semantics/masterThesis
dc.subject.miurINF/01 - INFORMATICA
dc.publisher.nameUniversità degli studi di Genova
dc.date.academicyear2022/2023
dc.description.corsolaurea10852 - COMPUTER SCIENCE
dc.description.area7 - SCIENZE MAT.FIS.NAT.
dc.description.department100023 - DIPARTIMENTO DI INFORMATICA, BIOINGEGNERIA, ROBOTICA E INGEGNERIA DEI SISTEMI


Files in this item

This item appears in the following Collection(s)

Show simple item record