Red neuronal convolucional para la detección de factores predisponentes a respiración bucal en CBCT
Date
2025-05
Authors
Journal Title
Journal ISSN
Volume Title
Publisher
Benemérita Universidad Autónoma de Puebla
Abstract
"La respiración bucal constituye un patrón alterado que puede ocasionar alteraciones dentofaciales, posturales, funcionales y sistémicas si no se diagnostica y trata oportunamente, y debido a la dificultad clínica de su detección temprana, las redes neuronales artificiales representan una alternativa prometedora por su capacidad de aprendizaje y clasificación compleja, por lo que el objetivo de este estudio fue evaluar la exactitud de diversas arquitecturas para identificar factores de riesgo asociados. El trabajo se desarrolló en tres etapas: en la primera se entrenaron modelos preliminares con un conjunto reducido de datos de CBCT, en la segunda se amplió la base de datos incorporando nuevas imágenes para un entrenamiento más robusto y en la tercera se validó el desempeño de los modelos entrenados en una muestra experimental. Se analizaron cinco arquitecturas de redes neuronales, seleccionando aquellas con los mejores índices de exactitud y sensibilidad, y los resultados mostraron que las convolucionales alcanzaron niveles superiores al 89%, siendo EfficentNet la de mayor precisión con 91.28%. En conclusión, las redes neuronales convolucionales constituyen una herramienta eficaz para apoyar el diagnóstico de la respiración bucal mediante el análisis de múltiples factores de riesgo, optimizando la detección temprana en ortodoncia".
Description
Keywords
Citation
Collections
Document Viewer
Select a file to preview:
Can't see the file? Try reloading