Publicação: Deep learning-based detection of carotid artery atheromas in panoramic radiographs
Carregando...
Arquivos
Tipo do documento
Data
Direito de acesso
Área do conhecimento
CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA, CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO::METODOLOGIA E TECNICAS DA COMPUTACAO
Título da Revista
ISSN da Revista
Título de Volume
Autores
Orientador
Coorientador
Resumo
O acidente vascular cerebral (AVC) figura entre as principais causas globais de mortalidade e incapacidade decorrente de sequelas neurológicas, sendo a aterosclerose carotídea um dos seus principais mecanismos etiológicos. Essa condição frequentemente progride de forma silenciosa, o que limita a utilização de exames padrão, como o ultrassom Doppler e a angiotomografia computadorizada (CTA), em estratégias de triagem populacional. Entretanto, calcificações na bifurcação carotídea podem ser visualizadas incidentalmente em radiografias panorâmicas odontológicas, tornando esse exame um potencial instrumento de rastreio oportunístico, dada sua ampla disponibilidade, baixo custo e abrangência da região C3–C4, onde os ateromas tendem a se manifestar. Diante desse contexto, este trabalho teve como objetivo desenvolver e avaliar um método baseado em aprendizagem profunda, utilizando a arquitetura MobileNetV2, para a detecção automática de ateromas carotídeos em radiografias panorâmicas, de modo a otimizar o valor clínico desse exame de rotina como ferramenta de rastreio oportunístico. Foram utilizadas 378 Regiões de Interesse (ROIs) públicas e totalmente anonimizadas, recortadas na região carotídea C3–C4 (640×320 px) e divididas em conjuntos de treinamento, validação e teste (264/57/57). As imagens passaram por normalização e replicação do canal de cinza, além de aumento de dados em tempo real, e o desequilíbrio de classes foi tratado por ponderação. O modelo foi implementado com a arquitetura MobileNetV2, empregando pesos pré-treinados e um esquema de treinamento em duas etapas, com congelamento inicial do backbone seguido de fine-tuning parcial (~70%), incluindo batch normalization e dropout (0,3). No conjunto de teste independente, o modelo apresentou desempenho robusto e balanceado, alcançando acurácia de 94,7%, sensibilidade de 95,7% e especificidade de 94,1%, além de AUC de 0,963 e AUPRC de 0,968, a partir de um limiar otimizado pelo índice de Youden J. Esses resultados indicam forte capacidade discriminativa e reforçam o potencial da radiografia panorâmica, aliada a métodos de deep learning, como ferramenta de rastreio oportunístico de ateromas carotídeos. Conclui-se que o método proposto apresenta desempenho promissor e viabiliza o uso de radiografias panorâmicas de rotina como ferramenta de rastreamento oportunístico de ateromas carotídeos, favorecendo o encaminhamento preventivo de pacientes para avaliação vascular especializada e fortalecendo a interface entre saúde bucal e sistêmica.
Abstract
Stroke is among the leading global causes of mortality and long-term disability resulting from neurological sequelae, with carotid atherosclerosis being one of its main etiological mechanisms. This condition often progresses silently, which limits the use of standard diagnostic examinations such as Doppler ultrasound and computed tomography angiography (CTA) for population screening. However, calcifications located at the carotid bifurcation may be incidentally visualized on panoramic dental radiographs, making this exam a potential opportunistic screening tool due to its wide availability, low cost, and coverage of the C3–C4 region, where atheromas usually manifest. In this context, the present study aimed to develop and evaluate a deep-learning-based method using the MobileNetV2 architecture for the automatic detection of carotid atheromas in panoramic radiographs, aiming to optimize the clinical value of this routine exam as a screening tool. A total of 378 publicly available and fully anonymized Regions of Interest (ROIs) were used, cropped in the carotid region (640×320 px) and divided into training, validation, and test sets (264/57/57). The images underwent normalization, grayscale channel replication, and real-time data augmentation, and class imbalance was addressed using weighted loss. The model was implemented using MobileNetV2 with pretrained weights and a two-stage training scheme, consisting of initial backbone freezing followed by partial fine-tuning (~70%), with batch normalization and dropout (0.3). On the independent test set, the model achieved robust and well-balanced performance, with 94.7% accuracy, 95.7% sensitivity, 94.1% specificity, and AUC and AUPRC values of 0.963 and 0.968, respectively, using a threshold optimized by Youden’s J index. These results demonstrate strong discriminative capability and reinforce the potential of panoramic radiography combined with deep learning as an opportunistic screening tool for carotid atheromas. The proposed method shows promising performance and supports the use of routine panoramic radiographs for opportunistic screening, enabling the early referral of patients for specialized vascular evaluation and strengthening the interface between oral and systemic health.
Palavras-chave
Panoramic radiography, Carotid atheroma, Artificial intelligence, Deep learning, MobileNetV2, Stroke, Radiografia panorâmica, Ateroma carotídeo, Inteligência Artificial, Deep learning, MobileNetV2javascript:void(null);, AVC
Citação
CARLOS, Thais Martins Jajah. Deep learning-based detection of carotid artery atheromas In panoramic Radiographs. 2026. 83 f. Dissertação (Mestrado em Ciências) - Universidade Federal de Uberlândia, Uberlândia, 2026. DOI https://doi.org/10.14393/ufu.di.2026.223.
Avaliação
Revisão
Suplementado Por
Referenciado Por
Licença Creative Commons
Exceto quando indicado de outra forma, a licença deste item é descrita como Acesso Aberto