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

Abstract

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.