在全景X射线图像中使用多聚变深度神经网络来增强牙细分

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 计算机视觉 计算机视觉

背景情况:

• 牙科全景X射线图像分析至关重要,但由于对比度差和图像噪声,具有挑战性.
• 准确的牙细分对于诊断牙疾病至关重要.
• 目前的方法耗时,需要人工干预.

研究的目的:

• 开发和评估一种新型的多融合深度神经网络,用于自动对牙进行细分.
• 为了提高全景X射线中牙区域识别的准确性和效率.

主要方法:

• 使用基于CNN的编码器-解码器架构与双流 (传统的CNN和Atrous网).
• 在每个编码阶段实施特征融合和双型跳过连接.
• 在解码器中使用解卷层来准确地重建分段地图.

主要成果:

• 在两个独立的数据集上实现了高精度 (97.0%和97.7%).
• 获得了优秀的交叉与欧盟 (IoU) 分数 (91.1%和90.2%) 和子系数 (DCS) 分数 (92.4%和90.7%).
• 性能优于现有的最先进的深度学习模型.

结论:

• 拟议的多融合深度神经网络为牙细分提供了精确和自动化的解决方案.
• 显示出在临床实践中提高牙科疾病诊断准确性和效率的巨大潜力.
• 需要比同类型的模型更少的参数,同时实现更高的性能.