基于深度学习技术的横向头脑测量放射图上自动检测头部位置的评估
Chen Jiang1, Fulin Jiang2, Zhuokai Xie3
1State Key Laboratory of Oral Diseases & National Clinical Research Center for Oral Diseases, West China Hospital of Stomatology, Sichuan University, Chengdu 610041, China.
概括
这项研究开发了深度学习模型,用于检测横向脑计放射图 (LCR) 上的头部位置. 一个经过修改的ResNet50模型实现了96.0%的准确性,超过了YOLOv3以提高诊断准确性.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 矯正牙科 矯正牙科是一種矯正牙科.
背景情况:
- 侧向脑电图 (LCR) 对于诊断面疾病至关重要.
- 在LCRs上的头部位置不准确会损害诊断的准确性.
- 检测错误的头部位置是临床医生面临的挑战.
研究的目的:
- 开发和评估两种深度学习 (DL) 系统,用于检测LCR上的头部位置.
- 提高头脑测量分析的准确性和效率.
- 帮助临床医生实现精确的诊断和治疗计划.
主要方法:
- 一项涉及13个中心3000名LCR的回顾性研究.
- 开发和评估YOLOv3和修改后的ResNet50DL模型.
- 根据法兰克福水平 (FH) 平面与真水平平面相对应的角度对头部位置的分类.
主要成果:
- 经过修改的ResNet50模型实现了96.0%的分类准确度,超过YOLOv3模型的93.5%.
- ResNet50显示出更高的灵敏度 (0.959) 和特异性 (0.969).
- 突出地图显示ResNet50被认为是椎对齐,与YOLOv3.3不同.
结论:
- 修改后的ResNet50模型在LCR上对头部位置进行分类方面优于YOLOv3.
- 这种DL方法显示出在面治疗中提高诊断准确性的潜力.
- 精确的头部定位检测对于最佳的患者护理至关重要.
