使用基于深度学习的卷积神经网络算法对牙科咬牙翼放射图片进行细分
Talal Bonny1, Abdelaziz Al-Ali2, Mohammed Al-Ali2
1Department of Computer Engineering, University of Sharjah, Sharjah, United Arab Emirates. tbonny@sharjah.ac.ae.
Oral radiology
|December 4, 2023
概括
雷斯网-18和雷斯网-50深度学习模型在对牙咬牙翼放射图片进行细分时取得了超过93%的准确性. 本研究确定了最佳分段技术,以改善牙科诊断和治疗规划.
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:
- 牙图像细分对于诊断至关重要,但由于图像质量问题而具有挑战性.
- 深度学习模型在分析复杂的牙图像方面提供了有希望的进步.
研究的目的:
- 评估和识别最有效的深度学习细分技术,用于咬翼放射.
- 根据准确性,训练时间和模型复杂性来比较细分性能.
主要方法:
- 采用了深度学习模型:Resnet-18,Resnet-50,Xception,Inception Resnet v2和Mobilenetv2.2,这些都是使用的深度学习模型.
- 使用MATLAB进行图像预处理和图形切割细分,以创建二进制面具.
- 训练和验证的模型分别在298张和99张X射线图上进行了测试,并对99张图像进行了测试.
主要成果:
- 在Resnet-18和Resnet-50模型中,分别显示了高分段精度,分别为93.67%和94.42%.
- 性能是根据准确性,速度和模型大小 (参数数量) 进行评估的.
- 研究结果与以前的研究结果进行了比较,以突出牙科图像细分方面的进展.
结论:
- Resnet-50和Resnet-18对于分割咬翼射线图非常有效,提供更高的准确性.
- 这项研究为选择最佳细分方法在实际牙科图像分析中提供了指导.
- 该研究通过改进图像分析,有助于推进牙科诊断和治疗规划.
