قالب پاورپوینت رشته های دندانپزشکی و پزشکی

عنوان :موضوع موضوع شناس طرح نامه استاد مشاور اول :دکتر ارائه دهنده:دانشجو استاد راهنمای اول :دکتر استاد راهنمای دوم :دکتر نوع مطالعه :توسعه‌ای–کاربردی (گذشته‌نگر) استاد مشاور دوم :دکتر رشته تحصیلی:رادیولوژی دهان ،فک و صورت دانشگاه :علوم پزشکی مشهد تاریخ ارائه :تابستان1405- مقدم1. ه پیشین2. ه ‌روش3. فهرست مطالب معرفی ‌آنالیز4. پیوست5. پایانی منابع6. :فصل اول مقدمه نمای کلی پژوهش مقدمه 02 چکیده و مقدمه ضرورت و اهمیت انجام تحقیق 03 بیان مسئله و چالش‌های موجود 01 5 نمای کلی پژوهش مواد و روش‌ها نتایج مورد انتظار و کاربرد بالینی 04 هدف پژوهش 06 05 مقدمه مقدمه چکیده: پ پوکی استخوان یکی از بیماری‌های شایع و خاموش سیستم اسکلتی است که تشخیص زودهنگام آن نقش مهمی در پیشگیری از شکستگی‌ها و عوارض بعدی دارد .از آنجا که رادیوگرافی پانورامیک به‌طور گسترده در مراکز دندانپزشکی انجام می‌شود ،می‌تواند به‌عنوان ابزاری کمکی برای شناسایی تغییرات مورفولوژیک مندیبل و غربالگری افراد در معرض خطر کاهش تراکم استخوان مورد استفاده قرار گیرد .در سال‌های اخیر ،شاخص‌های رادیومورفومتریک مندیبل مانند MI، AGI، MCI، MCW، GA، AGA، CHو RHدر ارزیابی غیرمستقیم وضعیت استخوانی اهمیت یافته‌اند. پ کليدواژه‌ها: ● هوش مصنوعی، ● رادیوگرافی پانورامیک، ● شاخص های رادیومورفومتریک 7 بیان مسئله و چالش‌های موجود بیان مسئله مقدمه پ پوکی اس]تخوان بیم]اری خ]اموش اس]کلتی ب]ا ع]وارض ش]دیدی مانن]د شکس]تگی اس]ت .ب]ا وج]ود اینک]ه اس]کن DEXAاس]تاندارد طالیی تش]خیص آن محس]وب می‌ش]ود ،هزین]ه ب]اال و دسترس]ی مح]دود ،م]انع اس]تفاده از آن در غرب]الگری عم]ومی ش]ده اس]ت .در مقاب]ل، رادی]وگرافی پانورامی]ک دندانپزش]کی ب]ه دلی]ل همبس]تگی تغی]یرات ک]ورتکس من]دیبل ب]ا ت]راکم اس]تخوان ک]ل ب]دن ،اب]زاری دس]ترس‌پذیر ب]رای غرب]الگری اولی]ه اس]ت .این ارزی]ابی ب]ا س]نجش ش]اخص‌های کمی ( )MI، MCW، AGI، GA، AGA، CH، RHو ش]اخص کیفی MCI (کالس‌های C1تا )C3انجام می‌شود. پ چالش‌های اصلی روش‌های دستی فعلی: .1خطای باالی مشاهده‌گر :ع]دم تواف]ق خط]یر بین متخصص]ان در تفس]یر ش]اخص کیفی ( MCIض]ریب کاپ]ا بین ۰.۴۱ تا )۰.۹۳ .2زمان‌بر و وابسته به کاربر بودن :نیاز به دقت پیکسلی در تعیین نقاط آناتومیک در شاخص‌های کمی. .3فقدان پروتکل یکپارچه :ارزیابی‌های بالینی فعلی عمدتًا ذهنی ( )Subjectiveو غیراستاندارد هستند. 8 ضرورت و اهمیت انجام تحقیق نیاز به ابزار غربالگری :ثانویه مقدمه •استفاده از ظرفیت تصاویر دندانپزشکی موجود برای شناسایی زودهنگام افراد در معرض خطر ،بدون تحمیل هزینه و دوز اشعه اضافی. پ :تحول تشخیصی •تبدیل تحلیل‌های ذهنی به یک ابزار کمک‌تشخیصی هوشمند ( ) CADبا دقت ،تکرارپذیری و سرعت باال. ورود هوش مصنوعی : ()AI پ •قابلیت یادگیری عمیق در سگمنتیشن خودکار ،شناسایی دقیق نقاط کلیدی (Landmark )Detectionو طبقه‌بندی کورتکس. 9 هدف پژوهش اهداف اختصاصی (فنی و عملیاتی) • • • • • سگمنتیشن خودکار :آموزش مدل یادگیری عمیق (Deep ) Learningبرای مرزبندی دقیق مندیبل و کورتکس. استخراج کمی شاخص‌ها :اندازه‌گیری خودکار شاخص‌های کورتیکال ( ،)MCWمنتال ( )MIو آنتی‌گونیال (.)AGI دسته‌بندی کیفیت استخوان :طبقه‌بندی هوشمند کورتکس مندیبل بر اساس شاخص ) MCIکالس‌های C1تا (.C3 ارزیابی آماری :سنجش عملکرد مدل با معیارهای Dice ) Scoreدقت سگمنتیشن)( ICC ،پایایی) و Kappa (توافق طبقه‌بندی) تحلیل همبستگی بالینی :بررسی ارتباط شاخص‌های استخراج‌شده با سن ،جنسیت و وضعیت دندانی بیماران. اهداف کاربردی .1خودکارسازی آناتومی و شاخص‌ها :شناسایی هوشمند ساختارهای مندیبل و محاسبه خودکار شاخص‌های MI، AGIو .MCW .2ارزیابی کیفی کورتکس :طبقه‌بندی هوشمند کیفیت استخوان (شاخص )MCIدر سه کالس C1، C2و .C3 .3سنجش اعتبارسنجی بالینی :ارزیابی دقت و پایایی سیستم AIدر مقایسه با ارزیابی متخصص رادیولوژی دهان ،فک و صورت. مقدمه هدف اصلی • پ طراحی و توسعه سامانه هوش مصنوعی برای شناسایی و اندازه‌گیری خودکار شاخص‌های رادیومورفومتریک مندیبل در تصاویر پانورامیک. پ 10 مواد و روش‌ها ()Methodology مقدمه پ جامعه و نمونه پژوهش :حداقل ۱۰۰۰تصویر پانورامیک دیجیتال باکیفیت از آرشیو رادیولوژی دانشکده دندانپزشکی دانشگاه علوم پزشکی مشهد. مراحل اجرایی: پیش‌پردازش تصاویر (بهینه‌سازی کیفیت و کنتراست) سگمنتیشن مندیبل با روش‌های یادگیری عمیق ()Deep Learning شناسایی خودکار نقاط کلیدی آناتومیک استخراج خودکار شاخص‌ها (شامل MI، AGI، MCIو سایر شاخص‌ها) معیارهای ارزیابی و اعتبارسنجی مدل: دقت سگمنتیشن :ضریب دایس ()Dice Coefficient تکرارپذیری و توافق :ضریب همبستگی درون‌طبقاتی ( )ICCو ضریب کاپا ()Kappa عملکرد تشخیصی :حساسیت ( )Sensitivityو ویژگی ()Specificity پ 11 نتایج مورد انتظار و کاربرد بالینی مقدمه پ استانداردسازی: ارائه یک پروتکل یکپارچه و عینی ()Objective برای گزارش‌دهی رادیولوژی فک و صورت. غربالگری زودهنگام: شناسایی بیماران مشکوک به پوکی استخوان در معاینات روتین دندانپزشکی و ارجاع به‌موقع به متخصص. دقت باال و خودکارسازی: پ استخراج سریع و بدون خطای انسانی شاخص‌های رادیومورفومتریک. 12 :فصل دوم پیشینه متون: مرور متون: مرور جدول زير مطالعاتی كه تا كنون صورت گرفته را نشان‌می‌دهد سال محقق موضوع /عنوان پژوهش نتایج 2017 مطالعه ۱ ارزیابی پایایی و صحت شاخص‌های کمی (MI/MCW, )AI/AGIو کیفی ( )MCIدر ۹۱زن یائسه پایایی مناسب شاخص‌های کمی (حساسیت ٪۸۳.۷ و اختصاصیت ٪۳۵.۷برای ) MI/MCW؛ نوسان و توافق بین‌ناظران پایین‌تر در شاخص کیفی MCI (حساسیت ٪۵۳.۱و اختصاصیت ).٪۶۱.۹ 2000 مطالعه ۲ بررسی شاخص‌های GA، AGA، CH، RHو MCIدر ۱۰۰ تصویر پانورامیک افراد با و بدون دندان ارتباط معنی‌دار شاخص‌های کمی با جنسیت و وضعیت دندانی؛ افزایش کالس MCIبا سن و بی‌دندانی؛ تأکید بر لزوم کنترل متغیرهای مداخله‌گر در سامانه‌های خودکار. 2007 مطالعه ۳ ارزیابی خودکار مورفولوژی کورتکس مندیبل و طبقه‌بندی MCIبا نرم‌افزار PanoSCOPEدر ۵۴بیمار ‏MRONJ تفاوت معنی‌دار توزیع ( MCIشیوع بیشتر کالس ۱ در گروه متاستاز و کالس‌های ۲و ۳در پوکی استخوان)؛ اثبات امکان‌پذیری تحلیل رایانه‌ای مندیبل به‌رغم وابستگی جزئی به تعیین دستی نقاط. 2004 مطالعه ۴ کاربرد سامانه‌های AI-CADدر تحلیل کمی مورفولوژی کورتکس مندیبل در ۴۱۹زن باالی ۲۰سال دفرمیتی کمتر کورتکس در زنان زیر ۵۱سال نسبت به ۵۱تا ۹۰سال؛ تغییر معنی‌دار MCIبا سن؛ اثبات توانایی هوش مصنوعی در کمی‌سازی تغییرات ظریف استخوانی. پیشینه پ 14 جدول زير مطالعاتی كه تا كنون صورت گرفته را نشان ‌می‌دهد متون: مرور متون: مرور سال محقق موضوع /عنوان پژوهش نتایج 2004 مطالعه ۵ مقایسه عملکرد هوش مصنوعی مولد (Generative )AIو دندان‌پزشکان در طبقه‌بندی MCI سرعت ۶برابری و تکرارپذیری درون‌سیستمی باالی AIمولد ،اما توافق پایین با ارزیابان انسانی؛ عدم کفایت مدل‌های عمومی هوش مصنوعی بدون آموزش تخصصی تصویری. 2000 مطالعه ۶ ارزیابی توانایی مدل‌های چندوجهی زبان-تصویر ()VLM در شناسایی لندمارک‌های آناتومیک فک و صورت کسب حداکثر دقت ٪۵۳.۱و ثبات محدود در بهترین مدل؛ عدم ایمنی برای کاربرد بالینی و ضرورت استفاده از مدل‌های تخصصی بینایی ماشین به جای مدل‌های عمومی. 2007 مطالعه ۷ مرور نظام‌مند عملکرد مدل‌های بزرگ زبانی ()LLMدر رادیولوژی دهان، فک و صورت عملکرد مناسب در پاسخ‌گویی آموزشی و تولید گزارش اولیه ،اما نوسان شدید در دقت و ثبات؛ ضرورت به‌کارگیری سامانه‌های CADتخصصی یادگیری عمیق برای تحلیل کمی و خودکار مندیبل. پیشینه پ 15 :فصل سوم ‌روش شاخص کورتکس مندیبل ( :)MCIارزیابی کیفی تخلخل در سه کالس ( C1:نرمال، :C2تغییرات و الیه‌الیه شدن خفیف :C3 ،متخلخل و تخریب شدید). پ روش شاخص‌های رادیومورفومتری ک هدف شاخص آنتی‌گونیال ( :)AGIاندازه‌گیری ضخامت در ناحیه زاویه آنتی‌گونیال. شاخص منتال ( :)MIعرض کورتکس حاشیه تحتانی در ناحیه سوراخ چانه (.)Mental foramen پ 17 مراحل توسعه سامانه هوش مصنوعی (پایپ‌الین اجرا) آماده‌سازی و اعتبارسنجی داده‌ها .1 پیش‌پردازش تصاویر ()Preprocessing تقسیم داده‌ها ٪۸۰ :برای آموزش ( )Trainو ٪۲۰برای آزمون نهایی (.)Test معیارهای ارزیابی عملکرد (Evaluation )Metrics .2 اعتبارسنجی :استفاده از ۵( k-fold Cross-Validationیا ۱۰الیه) برای .1 تنظیم بهینه مدل‌ها. نرمال‌سازی کنتراست :استفاده از CLAHE پ برای بهبود تفکیک بافت‌ها. .1 دقت سگمنتیشن :ضریب دایس (.)DSC .2 دقت اندازه‌گیری‌های کمی :میانگین خطای مطلق 3 (.)MAE .3 درون‌خوشه‌ای ( )ICCو نمودار بالند-آلتمن. .4 روش‌های درون‌یابی. .3 شناسایی نقاط کلیدی و محاسبه شاخص‌های کمی پایایی و توافق سیستم با متخصص :ضریب همبستگی دقت طبقه‌بندی :MCIضریب کاپای کوهن (.)Kappa .2 .1 تغییر ابعاد :یکسان‌سازی سایز تصاویر با کاهش نویز :اعمال فیلترهای گوسی ،میانه یا دوجانبه. روش استخراج نقاط آناتومیک با الگوریتم‌های لبه‌یاب و گوشه‌یاب (.)Canny, Sobel, Harris .2 محاسبه خودکار مقادیر MIو AGIبر اساس فاصله هندسی تولید داده‌های مرجع (Ground )Truth نقاط استخراج‌شده. 07 2 5 1 4 6 سگمنتیشن مبتنی بر یادگیری عمیق .1 پ برچسب‌گذاری دستی مرزهای مندیبل و کورتکس توسط متخصص (با نرم‌افزارهای 3D Slicerیا .)ITK-SNAP طبقه‌بندی هوشمند کیفیت استخوان ()MCI .1 .2 مدل‌های پیشنهادی :معماری‌های ++U-Net ،U-Netو Attention U- .3 تعیین کالس کیفی ) MCI (C1-C3توسط متخصص رادیولوژی. .Net ورود ماسک کورتکس به شبکه‌های طبقه‌بندی عمیق برای تعیین کالس (.)C1, C2, C3 .2 .1 هدف :جداسازی خودکار دو ماسک مجزا (کل مندیبل و الیه کورتکس). .2 اندازه‌گیری دستی شاخص‌های AGIو MIبه عنوان مقادیر استاندارد. مدل‌های پیشنهادی ResNet ،EfficientNet ،DenseNet :یا مدل‌های ترکیبی (.)Ensemble 18 معیارهای ورود و خروج (Inclusion & Exclusion )Criteria معیارهای ورود: ‏o کیفیت تشخیصی مناسب و وضوح کافی تصاویر ‏o رزولوشن باال جهت تشخیص دقیق مرزهای آناتومیک مندیبل ‏o عدم وجود آرتیفکت حرکتی یا اختالل تکنیکی شدید پ روش معیارها پ معیارهای خروج: ‏o وجود پاتولوژی‌های وسیع فک (تومورها یا کیست‌های بزرگ تغییردهنده آناتومی) ‏o سابقه جراحی‌های گسترده یا شکستگی مندیبل ‏o آرتیفکت‌های شدید ناشی از هم‌پوشانی دندانی یا اجسام فلزی ( )Restorations/Implantsدر ناحیه کورتکس 19 اطالعات پژوهشی 35% 25% 40% ابزار گردآوری دستگاه داده‌ها تصویربرداری: جامعه و نمونه پژوهشپانورامیک دیجیتال جامعه هدف :تصاویر رادیوگرافی نوع مطالعه پ روش سیستم رادیوگرافی پانورامیک دیجیتال Vatech ( )OPGموجود در آرشیو بخش رادیولوژی دانشکده دندانپزشکی دانشگاه علوم پزشکی مشهد روش نمونه‌گیری :غیراحتمالی در دسترس ()Convenience Sampling طرح پژوهش :مطالعه توسعه‌ای–کاربردی (گذشته‌نگر) پ حجم نمونه :حداقل ۱۰۰۰تصویر پانورامیک دیجیتال با کیفیت تشخیصی پوشش تنوع نمونه‌ها :توزیع مناسب از نظر سن، جنسیت و وضعیت دندانی (دندان‌دار و بی‌دندان) جهت افزایش تعمیم‌پذیری مدل 20 تصاویر پژوهش پ شاخص آنتی گونیال()AGI روش شاخص منتال()MI پ شاخص کورتکس مندیبل()MCI از راست به چپ C3، C2و 21 :فصل چهارم آنالیز بستر تحلیل پیاده‌سازی کامًال خودکار درون پایپ‌الین ارزیابی مدل با استفاده از کتابخانه‌های پایتون )عدم نیاز به نرم‌افزارهای آماری مجزا( پ شاخص‌ها و معیارهای کلیدی: سنجش دقت سگمنتیشن: ضریب تشابه دایس ()DSC سنجش خطای اندازه‌گیری کمی: آنالیز میانگین خطای مطلق ()MAE پ سنجش توافق و پایایی: ضریب همبستگی درون‌خوشه‌ای ( )ICCو ضریب کاپا ()Kappa تحلیل عدم انحراف سیستماتیک: رسم نمودار بالند-آلتمن ()Bland-Altman 23 زمان‌بندی و مراحل اجرایی ()Timeline پ فاز اول ( ۱۲ماه): جمع‌آوری داده‌ها ،غربالگری و برچسب‌گذاری توسط متخصصین (تولید Ground .)Truth فاز دوم ( ۱۲ماه): طراحی ،آموزش ،پیاده‌سازی و اعتبارسنجی نهایی سامانه هوش مصنوعی. آنالیز پ مدت زمان کل طرح: ماه. ۲۴ 24 :فصل پنجم پیوست جدول تفکيکی بودج]ه ط]رح (پيش از تکمي]ل ج]داول ،آيين نام]ه نح]وه ت]دوين و پ]ذيرش بودج]ه ه]اي پيش]نهادی در ط]رح ه]ای پژوهش]ی را در آدرس http://v-research.mums.ac.ir/index.php/modiriat/rulesمطالع]ه فرماييد) پ مبلغ درخواستي از معاونت پژوهشي (ريال) مبلغ کل (ريال) 400000000 400000000 خريد خدمت (پرسنلی) - - - خريد خدمت و آزمايشات - - - خريد دستگاه و تجهيزات غيرمصرفی - - - خريد لوازم و مواد مصرفی - - - ساير هزينه ها - - - جمع مبلغ مشارکت (ريال) نوع هزينه پیوست 26 خريد خدمت(هزينه پرسنلی) پ جمع (ريال) هزينه هرساعت (ريال) ساعات الزم مرتبه علمی (کاردان )... نوع فعاليت 300000000 600000 500 کارشناسی ارشد متخصص هوش مصنوعی 100000000 500000 200 کارشناسی طراحی رابط کاربری پیوست 27 ساير هزينه ها (تايپ ،تکثير ،پذيرايی ،هدايا ،مسافرت و )...... پ هزينه هر دفعه/ واحد /نوبت (ريال) تعداد موضوع هزينه - - - خريد 1 - - - خريد 2 - - - خريد 3 - - - خريد 4 - - - ساير هزينه ها - - - جمع جمع (ريال) پیوست 28 :فصل ششم منابع منابع خارجی پ 1. <154-Article Text-479-2-10-20250205.pdf>. 2. <445-Article Text-1955-7-10-20250209.pdf>. 3. Ogura I, Kobayashi E, Nakahara K, Haga-Tsujimura M, Igarashi K, Katsumata A. Computer programme to assess mandibular cortex morphology in cases of medication-related osteonecrosis of the jaw with osteoporosis or bone metastases. Imaging Science in Dentistry. 2019;49(4). 4. Ogawa R, Ogura I. Quantitative analysis of mandibular cortical morphology using artificial intelligence-based computer assisted diagnosis for panoramic radiography on underlying diseases and dental status in women over 20 years of age. Journal of Dental Sciences. 2024;19(2):937–44. 5. Seki K, Kashima M, Akiyama T, Kobayashi A, Dezawa K, Takeuchi Y, et al. 2026. 6. Ma H, Nguyen VA, Vuong TQT, Nguyen VH. Benchmarking large-language-model vision capabilities in oral and maxillofacial anatomy: A cross-sectional study. PLOS One. 2025;20(10). 7. <twaf060.pdf>. پ منابع 30 با تشکر از توجه شما