机器学习用于检测牙囊,瘤和的病变
Vyshiali Sivaram Kumar1, Pradeep R Kumar1, Pradeep Kumar Yadalam2
1Department of Public Health Dentistry, Saveetha Dental College, Saveetha Institute of Medical and Technical Sciences, Saveetha University, Chennai, Tamil Nadu, India.
BMC oral health
|November 6, 2023
概括
灰色级别的同时发生矩阵 (GLCM) 在区分牙囊,瘤和腹方面达到98%的准确性. 这种计算机辅助分析减少了侵入性活检的需要,有助于诊断和治疗规划.
科学领域:
- 口腔放射学是一门口腔放射学专业.
- 医疗图像分析 医学图像分析
- 计算病理学计算病理学
背景情况:
- 牙科全景放射图对于计算机辅助图像分析至关重要,以检测异常组织质量.
- 纹理分析技术旨在减少在诊断牙病变时需要进行侵入性活检的需要.
- 准确识别牙囊,瘤和,对于有效治疗至关重要.
研究的目的:
- 为了比较灰色水平运行长度矩阵 (GLRLM),灰色水平共发生矩阵 (GLCM) 和波形分析在识别牙病变方面的准确性.
- 评估纹理分析在区分牙囊,瘤和的有效性.
- 评估计算机辅助图像分析在支持牙科诊断方面的潜力.
主要方法:
- 对172张带有病变的牙科全景放射图进行了回顾性分析.
- 排除具有诊断质量差的X线图.
- 使用GLCM,GLRLM和波形分析进行图像增强,手动细分和特征提取的应用.
- 使用支持矢量机 (SVM) 分类器对病变进行分类.
- 统计分析包括描述性统计,敏感性,特异性和准确性 (p < 0.05).
主要成果:
- 灰色级别的同时发生矩阵 (GLCM) 达到98%的准确性.
- 灰色水平运行长度矩阵 (GLRLM) 实现了95%的准确性.
- 波形分析实现了91%的准确性.
- 曲线下的面积 (AUC) 表示GLCM的高精度.
结论:
- GLCM特征在区分牙囊,瘤和腹方面表现出极好的准确性 (98%).
- 对GLCM特征的进一步研究可以提高其用于例行组织学诊断的性能.
- 这种计算机辅助的方法可以帮助临床医生准确及时规划治疗.
