Oral health encompasses a broad range of conditions, including dental caries, periodontal disease, tooth loss, and oral cancer. Maintaining optimal oral health requires both prevention and treatment of these conditions. Timely detection is crucial to prevent their progression. While clinical inspections are effective in many cases, they face limitations in identifying hidden or hard-to-reach issues. Dental radiography plays a vital role in ensuring accurate diagnoses. To enhance the speed and precision of radiograph analysis, oral health professionals are increasingly embracing advancements in Computer Vision, particularly leveraging Deep Learning for image processing. These techniques have given rise to various diagnostic tools, ranging from identifying cavities to classifying root canal treatments. A common initial step for these tools involves the detection of teeth in radiographic images. To enhance this critical phase, we introduce a modular system for teeth instance segmentation. This system comprises two key components: (i) dentomaxilo region detection (including mandible, maxilla and teeth) and (ii) segmentation of individual teeth within the identified dentomaxilo area. We employed RetinaNet for dentomaxilo region detection and Cascade Mask R-CNN for tooth identification. We trained these models using a dataset annotated by experienced professionals, which includes 935 panoramic radiographs with bounding boxes delimiting the dentomaxilo area and, among them, an additional 605 with tooth polygons, totaling 14,582 annotated teeth. These tasks are interconnected, with the output of one phase feeding into the next. Our system achieved good results, with dentomaxilo region detection scoring 92.446 mAP and 0.982 F1-score, and tooth segmentation attaining 79.222 mAP and 0.989 F1-score, surpassing benchmarks set by comparable studies. Our modular tool allows for future expansions, with the potential to integrate diverse new functionalities, such as tooth numbering or caries identification. Beyond serving as a diagnostic aid, offering support to dentists as a secondary opinion, our system has the potential to expedite the generation of epidemiological reports for large population samples.

A saúde bucal abrange uma ampla gama de condições, incluindo cáries dentárias, doenças periodontais, perda de dentes e câncer oral. Manter uma boa saúde bucal requer tanto a prevenção quanto o tratamento dessas condições. A detecção oportuna é crucial para evitar sua progressão. Embora as inspeções clínicas sejam eficazes em muitos casos, elas enfrentam limitações na identificação de problemas ocultos ou de difícil acesso. A radiografia dentária desempenha nestes casos um papel vital na garantia de diagnósticos precisos. Para aprimorar a velocidade e a precisão da análise de radiografias, os profissionais de saúde bucal estão cada vez mais adotando soluções que utilizam de Visão Computacional, com ênfase em Aprendizado Profundo para o processamento de imagens. Essas soluções deram origem a diversas ferramentas de diagnóstico, que vão desde a identificação de cáries até o auxílio em tratamentos de canal. Um passo inicial comum para essas ferramentas envolve a detecção dos dentes presentes nas imagens radiográficas. Para aprimorar essa fase crítica, apresentamos um sistema modular de segmentação de dentes. Esse sistema é composto por dois componentes-chave: (i) detecção da região bucal e (ii) segmentação de cada dente dentro da cavidade bucal identificada. Utilizamos a rede RetinaNet para a detecção da boca e a rede Cascade Mask R-CNN para a identificação dos dentes. Treinamos esses modelos com um conjunto de dados anotado por profissionais experientes, que inclui 935 radiografias panorâmicas com caixas delimitadoras da boca e, dentre elas, mais 605 com polígonos contornando os dentes, totalizando 14.582 dentes anotados. As tarefas propostas nesta pesquisa estão interligadas, com a saída de uma etapa sendo a entrada para a próxima. Nosso sistema obteve resultados excepcionais, com a detecção da boca alcançando 92,446 mAP e 0,982 F1-score, e a segmentação de instância dos dentes atingindo 79,222 mAP e 0,9894 F1-score, superando os benchmarks estabelecidos por estudos similares. Nossa ferramenta modular permite futuras expansões, integrando diversas novas funcionalidades, como a numeração dos dentes ou análise de cáries. Além de servir como auxílio diagnóstico, oferecendo suporte aos dentistas como uma segunda opinião, nosso sistema tem o potencial de agilizar a geração de relatórios epidemiológicos para grandes amostras populacionais. Ele também encontra relevância na medicina forense, uma área especializada dedicada à identificação de indivíduos com base em suas características orais e dentárias.