I canali radicolari a forma di "C" presentano una morfologia complessa. Difficile da inquadrare anche dal punto di vista diagnostico. Un gruppo di ricercatori asiatici, afferenti alla Yonsei University di Seoul, Corea, e alla Aichi Gakuin University di Nagoya, Giappone, ha condotto un'interessante ricerca. Concentrandosi sull'analisi delle prestazioni delle immagini periapicali generate tramite reti neurali generative avversarie (GAN), impiegate proprio nella classificazione dei canali radicolari a forma di "C". Scientific Reports ne ha pubblicato i risultati.
Cosa si nasconde dietro l'acronimo GAN
Per rete generativa avversaria (Generative Adversarial Network o GAN) si intende un modello di deep learning utilizzato per generare dati artificiali, come immagini, suoni o testi, che assomigliano a quelli reali. Le GAN sono composte da due reti neurali, il generatore e il discriminatore, che si "sfidano" a vicenda in un processo di apprendimento competitivo. Per generare le immagini periapicali, i ricercatori asiatici hanno impiegato il framework StyleGAN2-ADA. E valutato la qualità delle immagini mediante il calcolo del punteggio medio della distanza di inizio di Frechet (FID) e attraverso il test di Turing visivo.
I risultati della ricerca
Lo studio ha rilevato che il punteggio FID medio per le immagini dei canali radicolari a forma di "C" generate tramite GAN è stato di 35,353 (± 4,386), mentre per le immagini dei canali di altra forma è stato di 25,471 (± 2,779). Inoltre, il test di Turing visivo, condotto da due radiologi su un campione casuale di 100 immagini, ha evidenziato la difficoltà nel distinguere tra immagini reali e immagini sintetiche. Questi risultati suggeriscono che le immagini generate tramite GAN presentano una qualità visiva soddisfacente. Il che è fondamentale per l'applicabilità pratica di queste immagini nella classificazione dei canali radicolari.
Grazie alle GAN, diagnosi sui canali radicolari più chiare
L'uso di immagini generate tramite GAN inoltre ha contribuito a migliorare le prestazioni di classificazione delle reti neurali, superando i risultati ottenuti mediante l'uso esclusivo di dati reali. Questo approccio si è dimostrato vantaggioso per affrontare il problema dell'equilibrio delle classi nei dati. E le immagini generate tramite GAN si sono confermate un valido strumento per l'arricchimento dei dati nella diagnosi delle anomalie nei canali radicolari.
In conclusione
Le immagini generate da questo sistema potrebbero non catturare tutte le caratteristiche necessarie per la classificazione accurata dei canali radicolari a forma di "C". Tuttavia, presentano una qualità visiva soddisfacente e si prospettano come un valido metodo di arricchimento dei dati. Secondo i ricercatori, dunque, l'utilizzo di immagini generate tramite GAN può contribuire a superare le sfide nella diagnosi delle anomalie dentali. Aprendo la strada a ulteriori studi per migliorare la qualità delle immagini periapicali generate tramite GAN e l'efficacia della classificazione dei canali radicolari a forma di "C".
