Healthy Teeth Artificial Intelligence

Descripción

Healthy Teeth AI es una herramienta de diagnóstico automático de enfermedades bucodentales. Su principal objetivo es simplificar el proceso de diagnóstico odontológico, detectando de manera precisa y rápida afecciones bucales comunes como caries, gingivitis y úlceras.

Casos de Uso y Aplicaciones Clínicas

• Detección Temprana: El sistema puede detectar problemas dentales en etapas iniciales, permitiendo un tratamiento más efectivo.
• Diagnóstico Asistido: Los odontólogos pueden utilizar el modelo para respaldar sus diagnósticos y mejorar la precisión.
• Eficiencia Clínica: La automatización del proceso de reconocimiento de problemas dentales mejora la productividad y reduce los tiempos de espera.
• Educación Médica: El sistema puede utilizarse en la formación de futuros odontólogos, proporcionando una herramienta de aprendizaje valiosa.

Conjunto de Datos de Entrenamiento

• Amplia Variedad: El conjunto de datos incluye 1500 fotografías de una amplia gama de problemas dentales, desde caries hasta enfermedades de las encías.
• Alta Calidad: Las imágenes han sido tomadas con equipos profesionales y cuentan con una excelente resolución y nitidez.
• Anotaciones Expertas: Cada fotografía ha sido revisada y anotada por odontólogos expertos, garantizando la precisión del diagnóstico.
• Fuente de las Imágenes: Las imágenes fueron obtenidas del conjunto de datos Oral Diseases disponible en Kaggle.

Entrenamiento y Validación del Modelo

1. División de Datos: El conjunto de 1500 imágenes se divide en subconjuntos de entrenamiento, validación y prueba.
2. Entrenamiento: El modelo se entrena iterativamente utilizando el subconjunto de entrenamiento, optimizando los parámetros para mejorar la precisión.
3. Validación: El rendimiento del modelo se evalúa continuamente utilizando el subconjunto de validación para evitar el sobreajuste.

Tecnologías Usadas

• Lenguajes y Bibliotecas: Python, TensorFlow, Keras, Flask, NumPy, Pandas
• Herramientas de Desarrollo: Jupyter Notebook, PyCharm, Visual Studio Code
• Servicios de Almacenamiento: Google Drive (para almacenar y compartir el conjunto de datos)

Conclusiones y Próximos Pasos

• Avances Notables: El sistema de IA para reconocimiento de problemas dentales ha demostrado ser altamente preciso y eficiente.
• Próximas Mejoras: Se planea expandir el conjunto de datos y refinar aún más el modelo para mejorar su desempeño.
• Implementación Clínica: El objetivo es integrar esta tecnología en entornos odontológicos para beneficiar a los pacientes y profesionales.

Integrantes del Grupo

• Branly Peña Lizardo
• Awilka Jerome Puente
• Erick Octavio Rivera
• Dawny Chalas Telemaco

Nota

Para ejecutar el proyecto, sigue estos pasos:

1. Descargar el Proyecto:

   • Descarga el proyecto desde GitHub. Asegúrate de obtener la carpeta "Interfaz - proyecto-IA".

2. Obtener el Modelo Entrenado:

   • Descarga el archivo "modelo_entrenado.h5" desde la sección de Releases del proyecto.

3. Colocar el Archivo:

   • Mueve el archivo descargado a la carpeta "Interfaz - proyecto-IA" dentro del proyecto que acabas de descargar.

4. Actualizar la Ruta del Modelo:

   • Abre el archivo app.py en la carpeta "Interfaz - proyecto-IA" con un editor de texto.
   • Busca la línea que carga el modelo:

     model = load_model("C:/Users/dawny/Desktop/PROYECTO FINAL - GRUPO STAT CAST/Interfaz - proyecto-IA/modelo_entrenado.h5")

   • Reemplaza la ruta con la ruta donde hayas guardado el archivo "modelo_entrenado.h5" en tu computadora.

5. Iniciar el Servidor:

   • Abre Visual Studio Code, si no lo has hecho aún.

6. Ejecutar el Servidor:

   • En la terminal de Visual Studio Code, escribe este comando y presiona Enter:

     python app.py
     

7. Abrir la Aplicación:

   • Una vez que el servidor esté funcionando, abre el enlace que te aparecerá en tu navegador para usar la aplicación.

8. Probar con Imágenes de Problemas Dentales:

   • Abre tu navegador web y busca imágenes de problemas dentales como caries dental, cálculos dentales, hipodoncia, etc.
   • Descarga las imágenes que desees utilizar para probar la aplicación y guárdalas en una carpeta en tu computadora.
   • Ve a la interfaz de la aplicación, selecciona una de las imágenes descargadas y envíala para ver el resultado del diagnóstico.

Muestras del Proyecto

Figura 1: Interfaz del proyecto

Figura 2: Selección de imagen con problema

Figura 3: Resultado del diagnóstico

Estructura del Proyecto

Ejemplo de Uso

Entrenamiento del Modelo

import tensorflow as tf
from tensorflow.keras.preprocessing.image import ImageDataGenerator

# Directorio donde se encuentran las imágenes categorizadas
train_dir = 'C:/Users/branl/Desktop/samsung/proyectofinal'

# Configuración del generador de datos de imagen
train_datagen = ImageDataGenerator(
    rescale=1./255,
    shear_range=0.2,
    zoom_range=0.2,
    horizontal_flip=True
)

train_generator = train_datagen.flow_from_directory(
    train_dir,
    target_size=(150, 150),
    batch_size=32,
    class_mode='categorical'
)

# Obtener las etiquetas de las clases
class_labels = list(train_generator.class_indices.keys())
print("Etiquetas de las clases:", class_labels)

# Definir la arquitectura del modelo
model = tf.keras.models.Sequential([
    tf.keras.layers.Conv2D(32, (3, 3), activation='relu', input_shape=(150, 150, 3)),
    tf.keras.layers.MaxPooling2D((2, 2)),
    tf.keras.layers.Conv2D(64, (3, 3), activation='relu'),
    tf.keras.layers.MaxPooling2D((2, 2)),
    tf.keras.layers.Conv2D(128, (3, 3), activation='relu'),
    tf.keras.layers.MaxPooling2D((2, 2)),
    tf.keras.layers.Flatten(),
    tf.keras.layers.Dense(512, activation='relu'),
    tf.keras.layers.Dense(len(class_labels), activation='softmax')
])

# Compilación del modelo
model.compile(
    loss='categorical_crossentropy',
    optimizer='adam',
    metrics=['accuracy']
)

# Entrenamiento del modelo
model.fit(train_generator, epochs=10)

# Evaluación del modelo
loss, accuracy = model.evaluate(train_generator)
print(f"Pérdida: {loss}, Precisión: {accuracy}")

# Guardado del modelo
model.save('modelo_entrenado.h5')

# -------------------------------
# Fin del entrenamiento del modelo