ODON

Le projet ODON avait pour objectif de développer des algorithmes d’intelligence artificielle pour la génération automatique de schémas dentaires à partir de radiographies panoramiques.

Un schéma dentaire ou odontogramme est une représentation schématique de la dentition, des lésions et des interventions propres au patient. Elle constitue l’historique des traitements du patient dans le cabinet dentaire. Le projet ODON est né d’un besoin exprimé par le corps médical : disposer d’un outil de génération automatique de l’odontogramme à des fins d’identification de corps en médecine légale, mais aussi dans une optique de gain de temps pour les praticiens dentistes.

Ce projet est mené en partenariat entre :

• Le Laboratoire RMeS (UMR_S 1229 Regenerative Medicine and Skeleton)
• Le Laboratoire LTeN (UMR 6607), Polytech’Nantes
• La SAS ARTETAKT AI

Activité : Développement et commercialisation des logiciels informatiques.

Le partenariat entre les laboratoires et la société Artefakt-AI avait pour objectif de développer un prototype du logiciel d’analyse de radiographies dentaires destiné aux dentistes et médecins légistes en s’appuyant sur la recherche scientifique dans le domaine de l’analyse des images médicales et de l’intelligence artificielle (et plus particulièrement de l’apprentissage profond, ou Deep Learning).

Au cours de ce projet, nous nous sommes attachés à produire des outils d’analyse des images médicales et de reconnaissance des formes dans les radiographies (segmentation sémantique des images) : les travaux antérieurs ont permis de mettre en évidence les limites des approches classiques de l’analyse et du traitement d’images dans le cas des radiographies panoramiques. En effet, ces radiographies contiennent de nombreuses informations morphologiques associées au bruit (artefacts), ce qui empêche une détection fiable des dents et des traitements dans les radiographies panoramiques des patients.

Nous nous sommes donc tournés vers le développement d’algorithmes spécifiques de Deep Learning (apprentissage profond) capables de détecter efficacement les dents pour chaque patient. Nos travaux nous ont conduit à combiner deux réseaux de neurones pour un résultat optimal. En effet, un réseau U-Net est exploité pour la tâche de segmentation sémantique, tandis qu’un réseau de type Mask R-CNN a pour objectif de mieux localiser la zone de présence des dents et ainsi d’optimiser la segmentation.