Estudo Comparativo de Redes Neurais Convolucionais para Segmentação de Cáries em Radiografias Panorâmicas

Abstract

A detecção precoce de cáries dentárias em radiografias panorâmicas constitui desafio crítico para diagnóstico e planejamento terapêutico efetivos na odontologia. Métodos tra- dicionais de análise manual enfrentam limitações significativas, incluindo variabilidade inter-observador e tempo de análise elevado, comprometendo a acurácia diagnóstica e a eficiência operacional. Este trabalho tem como objetivo abordar estas limitações através de análise comparativa sistemática de arquiteturas de segmentação semântica baseadas em aprendizado profundo para detecção automatizada de lesões cariosas. Foram avaliadas cinco arquiteturas (U-Net, U-Net++, DeepLabV3+, PSPNet e FPN) integradas a três backbones extratores de características (ResNet-34, EfficientNet-B0 e EfficientNet-B3), totalizando quinze configurações distintas. Os modelos foram rigorosamente treinados e avaliados utilizando dataset de 100 radiografias panorâmicas com anotações de lesões cari- osas, empregando estratégias de balanceamento de classes. Os resultados evidenciaram que arquiteturas baseadas em pirâmides de características apresentam sinergia superior com backbones da família EfficientNet em cenários de dados limitados, superando significativa- mente arquiteturas clássicas baseadas em conexões skip densas. Esta trabalho conseguiu demonstrar o potencial da integração de redes neurais em diagnósticos odontológicos, oferecendo orientações práticas para pesquisadores e clínicos no auxílio de diagnóstico mais precisos, eficientes e escaláveis.