用圆束计算机断层扫描图像使用YOLOv5架构进行第二个 mesiobuccal通道细分

科学领域:

• 牙科 牙科是指牙科的专业.
• 医疗成像医学成像
• 人工智能的人工智能

背景情况:

• 第二个牙口腔 (MB2) 道是尾牙的一个常见的解剖变异,在内牙治疗过程中经常错过.
• 准确识别MB2通道对于成功的内牙治疗和预防治疗失败至关重要.

研究的目的:

• 开发和评估一个使用卷积神经网络 (CNN) 架构的深度学习模型,用于检测上的MB2通道.
• 评估人工智能模型在从圆束计算机断层扫描 (CBCT) 图像中对MB2通道进行细分方面的有效性.

主要方法:

• 使用了来自153个大牙的CBCT扫描中的922个轴切口的数据集.
• 应用了细分方法,并将数据分为培训 (80%),验证 (10%) 和测试 (10%) 集.
• 基于You Only Look Once v5 (YOLOv5x) 架构的AI模型,经过500个时代的训练,学习率为0.01.

主要成果:

• 人工智能模型实现了高性能指标:灵敏度为0.92,精度为0.83,F1得分为0.87.
• 使用混矩阵和接收器操作特征 (ROC) 分析进行的统计评估显示,曲线下的面积 (AUC) 为0.84.
• 平均平均精度 (mAP) 在0.5的交叉与联合 (IoU) 时为0.88,表明强大的检测能力.

结论:

• 开发的深度学习算法在检测MB2通道变异方面取得了显著的成功.
• 基于人工智能的模型可以通过在手术前识别根管解剖变异来提高内牙治疗的准确性.
• 利用这些人工智能工具可能会改善内牙治疗结果,并为临床医生节省宝贵的时间.