一种深度学习方法用于放射性检测和分类根细胞囊和周围细胞粒瘤

科学领域:

• 口腔和面放射学 口腔和面放射学
• 人工智能在牙科中的应用
• 对于医学成像的深度学习

背景情况:

• 对临床医生来说,在全景成像上区分根细胞囊和周围细胞粒瘤是具有挑战性的.
• 精确的区分至关重要,因为根细胞囊需要手术切除,而周围细胞粒瘤则需要根管疗法来治疗.
• 需要自动化工具来支持临床决策,以区分这些病变.

研究的目的:

• 开发和评估一个深度学习框架,用于自动检测和分化根细胞囊和周围细胞粒瘤.
• 评估拟议模型在分类和定位这些周周病变的全景放射图上的诊断性能.

主要方法:

• 设计了一个深度学习框架,使用80个根囊的全景图像,72个周周粒瘤,197个正常部位和58个其他放射性损伤.
• 图像被处理成全球和本地视图,使用双路卷积神经网络进行分类和对象检测网络进行本地化.
• 数据集被分为90%的培训和10%的测试,并将数据增强用于增强模型稳定性.

主要成果:

• 该分类网络实现了高性能:根性囊的AUC为0.97,周周颗粒瘤的AUC为0.88.
• 根性囊的特异性为0.95,周周颗粒瘤的特异性为1.00,敏感性分别为1.00和0.77.
• 定位网络的平均精度为0.83根囊和0.74周周粒瘤.

结论:

• 开发的深度学习模型显示了可靠的诊断性能,可以区分根细胞囊和周围细胞粒瘤.
• 这种人工智能驱动的方法可以提高诊断准确性,从而导致更有效的患者转诊和治疗策略.
• 双路深度学习系统为分类和定位这些病变提供了临床适用的工作流程,改善了牙科实践.