No description available.

Bakgrund: Avlägsnandet av visdomständer är ett av de mest frekventa ingreppen på oralkirurgiska kliniker och det har uppskattats att det årligen extraheras 100 000 visdomständer i Sverige. Majoriteten av operationerna utförs med indikation men i många fall sker den i profylaktiskt syfte. Profylaktiskt avlägsnande innebär en borttagning av visdomstanden innan patologi uppstår. Denna åtgärd är än idag mycket omdebatterad eftersom det handlar om tänder där patienten varken uppvisar symtom eller patologi. Inför beslutet att ta bort en visdomstand måste bl. a. faktorer som riskerna med en operation, tandens position och täckningsgrad samt kostnaderna för patienten och samhället övervägas.Syfte: Mot denna bakgrund har syftet för denna litteraturstudie varit att undersöka om det i litteraturen finns evidens för att ta bort visdomständer i underkäken i förbyggande syfte.Metod: Studien baseras på en litteratursökning med hjälp av elektroniska databasen PubMed samt referenskomplettering efter granskning av studierna. Dessutom tillkom en granskning av riktlinjer och rekommendationer i flera europeiska länder. Resultat och konklusion: Sökningen omfattar 26 studier däribland en randomiserad kontrollerad studie. Slutsatsen av denna litteraturgenomgång är sammanfattningsvis att det finns för lite evidens för att bedöma om visdomständer i underkäken ska avlägsnas i förebyggande syfte eller inte. För att få svar på denna fråga krävs det fler prospektiva och longitudinella studier av behandlingsalternativen, gärna RCT. Även studier som undersöker naturalförloppet av visdomständer är önskvärda. En kontinuerlig uppföljning av asymtomatiska visdomständer anses för närvarande som det bästa behandlingsalternativet.

This degree project proposes the design and the implementation of a novel systemfor deep analysis on large-scale datasets of hand poses. The system consists of a set ofmodules for automatic redundancy removal, classification, statistical analysis andvisualization of large-scale datasets based on their content characteristics. In thisproject, work is performed on the specific use case of images of hand movements infront of smartphone cameras. The characteristics of the images are investigated, andthe images are pre-processed to reduce repetitive content and noise in the data. Twodifferent design paradigms for content analysis and image classification areemployed, a computer vision pipeline and a deep learning pipeline. The computervision pipeline incorporates several stages of image processing including imagesegmentation, hand detection as well as feature extraction followed by a classificationstage. The deep learning pipeline utilizes a convolutional neural network forclassification. For industrial applications with high diversity on data content, deeplearning is suggested for image classification and computer vision is recommendedfor feature analysis. Finally, statistical analysis is performed to visually extractrequired information about hand features and diversity of the classified data. Themain contribution of this work lies in the customization of computer vision and deeplearning tools for the design and the implementation of a hybrid system for deep dataanalysis. / Detta examensprojekt föreslår design och implementering av ett nytt system för djup analys av storskaliga datamängder av handställningar. Systemet består av en uppsättning moduler för automatisk borttagning av redundans, klassificering, statistisk analys och visualisering av storskaliga dataset baserade på deras egenskaper. I det här projektet utförs arbete på det specifika användningsområdet för bilder av handrörelser framför smarttelefonkameror. Egenskaperna hos bilderna undersöks, och bilderna förbehandlas för att minska repetitivt innehåll och ljud i data. Två olika designparadigmer för innehållsanalys och bildklassificering används, en datorvisionspipeline och en djuplärningsrörledning. Datasynsrörledningen innehåller flera steg i bildbehandling, inklusive bildsegmentering, handdetektering samt funktionen extraktion följt av ett klassificeringssteg. Den djupa inlärningsrörledningen använder ett fällningsnätverk för klassificering. För industriella applikationer med stor mångfald på datainnehåll föreslås djupinlärning för bildklassificering och vision rekommenderas för funktionsanalys. Slutligen utförs statistisk analys för att visuellt extrahera nödvändig information om handfunktioner och mångfald av klassificerade data. Huvuddelen av detta arbete ligger i anpassningen av datasyn och djupa inlärningsverktyg för design och implementering av ett hybridsystem för djup dataanalys.