Deep Learning-based Semantic Segmentation of Dental Radiographs: Comparative Evaluation of PSPNet, DeepLabv3, UNet, and UNet++

{"tags": ["Semantic Segmentation", "Dental Radiographs", "UNet++", "DeepLabv3", "PSPNet", "UNet", "Medical AI", "Computer Vision"], "risks": ["Chỉ số IoU 0,6719 và DICE 0,7869 cho thấy mô hình vẫn còn tỷ lệ sai sót, chỉ phù hợp đóng vai trò hỗ trợ lâm sàng thay vì chẩn đoán tự động hoàn toàn.", "Quy mô tập dữ liệu còn khiêm tốn (1.269 ảnh), tiềm ẩn rủi ro suy giảm hiệu năng khi gặp ảnh chụp từ thiết bị X-quang của các hãng sản xuất khác nhau.", "Hiện tượng tương phản thấp và nhiễu ảnh trong thực tế có thể ảnh hưởng tiêu cực tới kết quả phân đoạn nếu khâu tiền xử lý không đạt chuẩn.", "Chưa có dữ liệu đánh giá về độ trễ suy luận (inference latency) và yêu cầu phần cứng khi vận hành thực tế tại phòng khám."], "category": "Research", "entities": ["PSPNet", "DeepLabv3", "UNet", "UNet++", "Dice coefficient (DICE)", "Intersection over Union (IoU)", "Convolutional Neural Networks (CNN)"], "summary_vi": "Nghiên cứu tiến hành so sánh thực nghiệm có kiểm soát giữa 4 kiến trúc học sâu (PSPNet, DeepLabv3, UNet, UNet++) cho bài toán phân đoạn ngữ nghĩa ảnh X-quang nha khoa trên tập dữ liệu 1.269 ảnh sau tiền xử lý. Kết quả cho thấy UNet++ đạt độ chính xác cao nhất với chỉ số IoU đạt 0,6719 và hệ số DICE đạt 0,7869 ở cấu hình kích thước ảnh 300x300 và batch size 16, đồng thời làm rõ ảnh hưởng của độ phân giải và kích thước batch đến từng mô hình.", "key_changes": ["Đánh giá và so sánh thực nghiệm có kiểm soát 4 kiến trúc phân đoạn ngữ nghĩa gồm PSPNet, DeepLabv3, UNet và UNet++ trên 1.269 ảnh X-quang nha khoa.", "Áp dụng quy trình tiền xử lý ảnh đồng bộ trước khi huấn luyện để đảm bảo tính so sánh công bằng giữa các mô hình.", "UNet++ đạt hiệu năng phân đoạn vượt trội nhất với chỉ số IoU 0,6719 và DICE 0,7869.", "Xác định cấu hình tối ưu của UNet++ đạt hiệu quả cao nhất ở độ phân giải 300x300 và kích thước batch (batch size) bằng 16.", "Khảo sát chi tiết ảnh hưởng của độ phân giải hình ảnh và batch size tới độ chính xác và hàm mất mát trên từng kiến trúc."], "sub_category": "Medical Image Segmentation", "novelty_score": 50, "business_score": 65, "research_score": 70, "why_it_matters": "Nghiên cứu giải quyết bài toán thiếu chuẩn đối sánh công bằng giữa các mô hình phân đoạn trên ảnh X-quang nha khoa vốn có độ tương phản thấp và nhiều nhiễu. Bằng chứng thực nghiệm giúp các kỹ sư ML tiết kiệm thời gian thử nghiệm khi chỉ ra UNet++ cùng bộ siêu tham số tối ưu (300x300, batch size 16) là lựa chọn hàng đầu, giúp các doanh nghiệp MedTech đẩy nhanh tốc độ thương mại hóa công cụ chẩn đoán hình ảnh nha khoa tự động.", "developer_score": 75, "importance_score": 68, "possible_use_cases": ["Tích hợp mô hình UNet++ vào phần mềm chẩn đoán hình ảnh nha khoa để hỗ trợ bác sĩ phân đoạn cấu trúc răng và bệnh lý tự động.", "Sử dụng kiến trúc UNet++ cùng thiết lập 300x300 và batch size 16 làm baseline chuẩn cho các dự án phát triển AI thị giác trong nha khoa.", "Tự động hóa khâu tiền xử lý và gán nhãn phân đoạn cấu trúc giải phẫu trong quy trình số hóa bệnh án nha khoa."], "actionability_score": 72}