歯科用バイトウィングにおけるトランスフォーマーおよびGANベースの画像修復による診断品質の向上

科学分野:

• 歯科
• 人工知能
• 医用画像処理

背景:

• バイトウィング放射線写真は、隣接面のう蝕の検出と歯槽骨レベルの評価に不可欠です。
• 画像圧縮とセンサーの制限は、放射線写真の品質を低下させ、診断価値に影響を与える可能性があります。

研究 の 目的:

• Real-ESRGANとSwinIRの2つの深層学習法を用いて、劣化させたバイトウィング放射線画像の細部を再構築する有効性を評価すること。
• これらの高度なAIモデルによって復元された画像の診断有用性を比較すること。

主な方法:

• 4,004枚の高画質バイトウィング放射線写真のデータセットを使用し、低解像度画像と高解像度画像のペアを作成しました。
• Real-ESRGANとSwinIRモデルをファインチューニングし、劣化させた画像に適用して再構築しました。
• 画像品質は、定量的に（PSNR、SSIM）、および歯科医のパネルによって定性的に評価されました。

主要な成果:

• SwinIRは、Real-ESRGAN（PSNR：31.93 dB、SSIM：0.8227）と比較して、優れた定量的スコア（PSNR：35.56 dB、SSIM：0.9287）を達成しました。
• 歯科医は、歯の辺縁や骨梁パターンなどの診断構造を保持するためにSwinIRを好みました。
• Real-ESRGANは、知覚的なリアリズムのために注目されましたが、診断の詳細保持のためではありませんでした。

結論:

• SwinIRモデルは、バイトウィング放射線写真における臨床的に重要な構造の保持において優れたパフォーマンスを示しました。
• 診断精度が最優先される場合、SwinIRはバイトウィング放射線写真の強化に推奨される深層学習法です。