Comparative Evaluation of Classical and Deep Learning Methods for Dental X-Ray Segmentation

Graduate papers

Search graduate papers

Description of the graduate paper

Form of studies	Bachelor
Title of the study programm	Smart Computer Technologies
Title in original language	Klasisko un dziļās mācīšanās metožu salīdzinošs novērtējums zobu rentgenattēlu segmentācijai
Title in English	Comparative Evaluation of Classical and Deep Learning Methods for Dental X-Ray Segmentation
Department	Faculty Of Computer Science Information Tehnology And Energy
Scientific advisor	Artjoms Supoņenkovs
Reviewer	Andrejs Bondarenko
Abstract	Bakalaura darbs veltīts klasisko un dziļās mācīšanās metožu salīdzinošam novērtējumam zobu rentgenattēlu segmentācijai. Zobu rentgenattēlu manuāla analīze ir laikietilpīga un pakļauta cilvēka kļūdām, tāpēc pieaug nepieciešamība pēc automatizētām segmentācijas metodēm, taču nav viennozīmīgi noteikts kura metode ir optimāla praktiskai lietošanai. Darba mērķis ir salīdzināt un novērtēt klasisko un dziļās mācīšanās metožu piemērotību zobu rentgenattēlu segmentācijai. Eksperimentālajā daļā, izmantojot vienotu 598 panorāmas rentgenattēlu datu kopu, kurā anotēti 15318 zobi, tika apmācīti un ar vienotām metrikām (Dice koeficientu un IoU) novērtēti trīs dziļās mācīšanās modeļi – U-Net, U-Net++ un Mask R-CNN. Rezultāti rāda, ka binārajā segmentācijā visi trīs modeļi sasniedz līdzīgu precizitāti (Dice 89-90%) un uzticami atdala zobus no fona. Daudzklašu segmentācijā, kur katram zobam jāpiešķir pareiza klase, U-Net un U-Net++ ievērojami pārspēj Mask R-CNN (Dice attiecīgi 78,01%, 77,87% un 34,92%). Darbā secināts, ka ierobežota datu apjoma apstākļos semantiskās segmentācijas modeļi, it īpaši U-Net, ir praktiski izdevīgākā izvēle, savukārt Mask R-CNN potenciāls pilnībā atklātos tikai ar lielāku apmācības datu kopu. Bakalaura darbs uzrakstīts latviešu valodā, tā apjoms ir 70 lappuses, 28 attēli, 2 tabulas un 59 literatūras avoti.
Keywords	zobu rentgenattēli, attēlu segmentācija, dziļā mācīšanās, U-Net, Mask R-CNN
Keywords in English	dental X-rays, image segmentation, deep learning, U-Net, Mask R- CNN
Language	lv
Year	2026
Date and time of uploading	26.05.2026 23:04:03