人工智能用于对全景射线图上受影响的第三和下管道之间的关系进行分类
Antonio Lo Casto1, Giacomo Spartivento1, Viviana Benfante2,3,4
1Section of Radiological Sciences, Department of Biomedicine, Neuroscience and Advanced Diagnostics, University of Palermo, 90127 Palermo, Italy.
Life (Basel, Switzerland)
|July 29, 2023
概括
深度学习模型ResNet-152和VGG-19显示出分析全景牙图像的潜力,以确定下第三 (MM3) 和下沟 (MC) 之间的关系,其表现优于牙科学生.
科学领域:
- 牙科放射学 牙科放射学
- 人工智能在医学中的应用
- 医学成像分析 医学成像分析
背景情况:
- 评估下第三 (MM3) 和下沟 (MC) 之间的关系对于手术规划至关重要.
- 全景放射是常见的成像方式,但解释的准确性可能有所不同,特别是在缺乏经验的观察者中.
- 深度卷积神经网络 (CNN) 为牙科中自动图像分析提供了潜力.
研究的目的:
- 评估ResNet-152和VGG-19CNN的诊断性能,分析全景图像上的MM3-MC关系.
- 将这些CNN的诊断能力与一个没有经验的牙科观察员进行比较.
主要方法:
- 来自83张全景射线图的142张MM3图像被使用,其中80%用于培训/验证,20%用于测试.
- 采用K折交叉验证,并由经验丰富的放射科医生标记图像.
- 诊断准确度,灵敏度,特异性和正预测值 (PPV) 为CNN和一名牙科学生计算.
主要成果:
- ResNet-152实现了高性能:84.09%的灵敏度,94.11%的特异性,92.11%的PPV和88.86%的精度.
- VGG-19显示出良好的结果:灵敏度为71.82%,特异性为93.33%,PPV为92.26%,准确度为85.28%.
- 牙科学生的表现明显较低,具有69.60%的灵敏度,53.00%的特异性,64.85%的PPV和62.53%的准确性.
结论:
- 像ResNet-152这样的深度CNN架构显示出在全景图像中识别和评估MM3-MC接触的巨大潜力.
- CNN可以作为一种有价值的工具,以提高未经验的观察者在解释全景牙科放射图的诊断准确度.
- 人工智能辅助分析可以提高MM3-MC关系评估的可靠性,有助于更安全的牙科手术.
