MT-DWL ViT-KAN: Estimação simultânea de sexo e idade a partir de radiografias panorâmicas

Julian Santana Liang

MT-DWL ViT-KAN: Estimação simultânea de sexo e idade a partir de radiografias panorâmicas

A odontologia forense é uma área que aplica conhecimentos científicos para analisar elementos dentários, como dentes e arcadas dentárias, com o objetivo de identificar indivíduos. Essa análise é especialmente valiosa em situações como desastres em massa, investigações criminais e casos de pessoas desaparecidas. Tradicionalmente, a determinação do sexo e da idade é feita por meio de análises morfológicas e métricas de estruturas dentárias e ósseas. No entanto, essas abordagens têm limitações, como a variabilidade dos dados e a subjetividade das análises. Com os avanços no aprendizado profundo, tornou-se possível aplicar visão computacional para analisar radiografias dentárias, utilizando técnicas de classificação e regressão. Esta dissertação propõe uma abordagem Multitask-Dynamic Weighted Loss Vision Transformer-Kolmogorov-Arnold Networks (MT-DWL ViT-KAN) que combina aprendizado multitarefa com pré-treinamento autossupervisionado utilizando Mask Autoencoders, permitindo ao modelo aprender representações latentes robustas de grandes volumes de dados não rotulados. Além disso, as redes Kolmogorov-Arnold são empregadas para decompor relações complexas entre as características dentárias e os rótulos de sexo e idade, melhorando a precisão do modelo. O metodologia denominada também incorpora uma função de perda com ponderação logarítmica dinâmica, que ajusta automaticamente os pesos das tarefas durante o treinamento, garantindo um equilíbrio otimizado entre a classificação do sexo e a estimativa da idade. Em nossos experimentos, a incorporação da estratégia de Mask Autoencoders, que utiliza a arquitetura Vision Transformer, resultou em uma melhoria significativa no desempenho do modelo em comparação com o modelo EfficientNetV2-L pré-treinado na ImageNet. Além disso, ao integrar a rede Kolmogorov-Arnold na camada final multitarefa, obtivemos os melhores resultados entre todas as configurações testadas. O MT-DWL ViT-KAN alcançou um erro absoluto médio de 3,393 anos na estimativa de idade e um F1-score de 0,9421 na classificação de sexo. Esses resultados evidenciam o potencial do modelo proposto em extrair características relevantes de imagens médicas e em realizar previsões multitarefa no cenário da odontologia forense. É importante também que as avaliações futuras considerem a diversidade nas populações de grupos étnicos e no status socioeconômico para uma análise ainda mais abrangente.

Luciano Rebouças de Oliveira

Patricia Ramos Cury

http://lattes.cnpq.br/0714090324773908

Jefferson Fontinele da Silva

http://lattes.cnpq.br/4592887904839028

Kalyf Abdalla Buzar Lima

http://lattes.cnpq.br/4613476711431079

Marcelo Mendonça dos Santos

http://lattes.cnpq.br/4271397173667661

13 Dec, 2024

2:00 PM

Este trabalho apresenta impactos significativos em múltiplas áreas. Do ponto de vista científico, contribui para o avanço do estado da arte em aprendizado profundo aplicado à odontologia forense. Além disso, o desenvolvimento de um framework eficiente proporciona uma ferramenta robusta para a análise automática de radiografias panorâmicas, reduzindo a necessidade de intervenções manuais. Do ponto de vista social, o framework pode agilizar a identificação de indivíduos em contextos forenses, como desastres em massa ou investigações criminais, oferecendo suporte crucial a peritos e trazendo respostas rápidas para famílias. Tecnologicamente, a implementação de sistemas automatizados de apoio à decisão melhora a eficiência das práticas clínicas e forenses, promovendo diagnósticos mais rápidos e precisos. No aspecto ambiental, a digitalização e automação reduzem o uso de recursos físicos, como impressões e transporte de exames, enquanto o uso de métodos computacionalmente eficientes pode minimizar o consumo de energia, promovendo práticas mais sustentáveis no setor de saúde.