Dental radiographs play a crucial role in dentistry, allowing early detection of dental problems and a wide range of dental and oral health problems, that may not be visible during a clinical examination alone. Panoramic dental radiographs belong to the category of extraoral imaging, capturing a comprehensive view of all teeth and specific adjacent anatomical structures. Despite the invaluable diagnostic support offered by radiographs, challenges may arise in the accurate interpretation of patients' oral conditions. Factors such as lack of experience, subjective judgments, stress, and fatigue among dental professionals can impact their assessments. In this context, Convolutional Neural Networks hold substantial promise in enhancing the analysis of patient exams. These tools use Deep Learning, a subarea of Machine Learning, and they possess the potential to automate aspects of dental image analysis, extracting crucial information from images and facilitating thorough, intricate assessments while reducing subjectivity and saving a significant amount of time. Taking these factors into account, this work aims to employ Convolutional Neural Networks for tooth numbering and the identification of decayed teeth in panoramic radiographs. These tasks contribute to the development of a modular system in collaboration with another master's student. Utilizing a dataset of 18,836 tooth images for the numbering task, the following results were achieved: precision of 0.979, recall of 0.978, accuracy of 0.998, and an F1-score of 0.978. In the task of identifying decayed teeth, a combination of two datasets yielded the following results: precision of 0.963, recall of 0.914, accuracy of 0.939, and an F1-score of 0.937. These results illustrate the significant promise of employing Convolutional Neural Networks in tasks involving tooth numbering and identifying decayed teeth, thus allowing dentists more time for clinical treatments. Furthermore, automating the analysis of panoramic radiographs can aid in generating reports and populating dental records while serving as a secondary assessment for tooth identification, ultimately reducing the likelihood of errors.

As radiografias dentárias desempenham um papel crucial na Odontologia, permitindo a detecção precoce de problemas dentários e de uma vasta gama de problemas de saúde dentária e oral, que podem não ser visíveis apenas durante um exame clínico. As radiografias dentárias panorâmicas pertencem à categoria de imagens extraorais, capturando uma visão abrangente de todos os dentes e estruturas anatômicas adjacentes específicas. Apesar do inestimável suporte diagnóstico oferecido pelas radiografias, podem surgir desafios na interpretação precisa das condições bucais dos pacientes. Fatores como falta de experiência, julgamentos subjetivos, estresse e fadiga entre profissionais de Odontologia podem impactar suas avaliações. Neste contexto, as Redes Neurais Convolucionais podem oferecer substancial aprimoramento para análise de exames de pacientes. Essas ferramentas utilizam Aprendizado Profundo, uma subárea de Aprendizado de Máquina, e dispõem de um grande potencial para automatizar aspectos da análise de imagens dentárias, extraindo informações cruciais e facilitando avaliações completas e complexas, ao mesmo tempo que reduzem a subjetividade e economizam uma quantidade significativa de tempo. Levando esses fatores em consideração, este trabalho tem como objetivo empregar Redes Neurais Convolucionais para numeração dentária e identificação de dentes cariados, em radiografias panorâmicas. Essas tarefas contribuem para o desenvolvimento de um sistema modular construído em colaboração com outro aluno de mestrado. Utilizando um conjunto de dados de 18.836 imagens dentárias para a tarefa de numeração, foram alcançados os seguintes resultados: precisão de 0,979, revocação de 0,978, acurácia de 0,998 e F1-score de 0,978. Na tarefa de identificação de dentes cariados, uma combinação de dois conjuntos de dados produziu os seguintes resultados: precisão de 0,963, revocação de 0,914, acurácia de 0,939 e F1-score de 0,937. Esses resultados demonstram um promissor potencial de aplicação de Redes Neurais Convolucionais em tarefas que envolvem numeração de dentes e identificação de dentes cariados, permitindo assim aos dentistas mais tempo para tratamentos clínicos. Além disso, a automatização da análise de radiografias panorâmicas pode auxiliar na geração de relatórios e no preenchimento de registros odontológicos, ao mesmo tempo que serve como avaliação secundária para identificação dentária, reduzindo, em última análise, a probabilidade de erros.