セグメンテーション・ガイデッド・プリプロセッシングは,ディープ・ラーニングの診断精度とアメロブラストーマとコーン・ビーム・CT画像におけるオドントジェニック・ケラトシストの信頼性を向上させる - A 予備研究
Xinyue Zhang1, Yuxuan Yang2, Chen Zhong2
1Department of Oral and Maxillofacial Radiology, Peking University School and Hospital of Stomatology & National Center of Stomatology & National Clinical Research Center for Oral Diseases & National Engineering Research Center of Oral Biomaterials and Digital Medical Devices, No. 22, Zhongguancun South Avenue, Haidian District, Beijing 100081, China.
セグメンテーション・ガイデッド・プリプロセッシングは,アメロブラストーマとオドントゲン系ケラトシストを区別するためのディープラーニングを改善します. このアプローチは,コンピュータ支援のの病変診断における診断の正確性と解釈性を高めます.
科学分野:
- 口腔および面放射線学
- 医療における人工知能
- 医学画像分析 医学画像分析
背景:
- アメロブラストーマとオドントゲンケラトシストの正確な差分診断は,治療計画において極めて重要です.
- ディープラーニング (DL) はの病変の診断に有望だが,臨床的解釈には欠けている.
- セグメンテーション・ガイデッド・プリプロセッシングは,DLシステムの臨床的有用性を高めることができます.
研究 の 目的:
- アメロブラストーマとオドントゲン系ケラトシストのDLベースの診断のためのセグメンテーションガイドドプリプロセッシング技術を導入し,評価する.
- の病変に対するコンピュータによる診断システムの解釈性と臨床的関連性を向上させる.
主な方法:
- InceptionV3のモデルがトレーニングされ,CBCTスキャン128件 (64件アメロブラストーマ,64件オドントゲンケラトシスト) で,5倍クロス検証を用いて検証された.
- 4つの入力戦略が比較されました:オリジナルのスライス,境界ボックスのROI,正確なセグメンテーションのROI,および適度に拡張されたROI.
- モデルのパフォーマンスは,精度,リコール,精度,F1スコア,AUC,Grad-CAM可視化,および信頼曲線解析を使用して評価されました.
主要な成果:
- セグメンテーション主導のROIは,すべてのメトリックにおけるオリジナルのスライス入力を大幅に上回った.
- 適度に拡大したROIは,全体的に最高のパフォーマンスを達成しました.
- ボーディングボックスのROIは,より高いリコールで競争力のある結果を提供し,Grad-CAMは注意のローカライゼーションの改善を確認しました.
結論:
- セグメンテーション・ガイデッド・プリプロセッシングは,の病変のDLベースの診断を強化するための効果的な戦略です.
- このアプローチは,診断性能とモデル解釈の両方を改善し,臨床実施を容易にする.
- この発見は,口腔病理学のコンピュータ支援診断システムにこのような方法の統合を支えるものである.
関連する概念動画
Improving Translational Accuracy
Improving Translational Accuracy
Imaging Studies I: CT and MRI
Description of the Procedures
Computed Tomography (CT) scan:
Computed Tomography (CT) scans use X-ray technology to generate detailed images of bones, organs, and tissues. During the scan, the patient lies on a moving table...
Imaging Studies for Cardiovascular System V: CT
Imaging Studies for Cardiovascular System VI: Calcium -Scoring CT
Confidence Coefficient


