通过使用基于深度学习的卷积神经网络算法在周边放射图上检测分离的内牙仪器

科学领域:

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

背景情况:

• 分离的内牙仪器是根管治疗中常见的并发症.
• 精确检测这些碎片对于成功治疗和预防进一步的并发症至关重要.
• 传统的放射学解释可能具有挑战性和耗时.

研究的目的:

• 评估人工智能 (AI) 系统的诊断性能,以检测分离的内牙仪器.
• 评估Mask R-CNN模型在识别和细分这些片段的有效性.

主要方法:

• 收集了307张周周放射的数据集,并将其分为训练 (222张图像) 和测试 (85张图像) 集.
• 面具R-CNN模型经过训练并使用DentiAssist平台上标记的图像进行测试.
• 在界限框的验证中,采用了80%值的交叉与欧盟 (IoU) 技术.

主要成果:

• 人工智能系统实现了98.809%的平均精度 (mAP).
• 该模型表现出高性能,精度为95.238%,回忆率为98.765%,F1得分为96.969%.
• 面具R-CNN模型成功地区分和分割了分离的内牙仪器.

结论:

• 人工智能系统,特别是Mask R-CNN模型,在检测分离的内牙仪器方面表现出色的诊断性能.
• 由人工智能驱动的工具显示出显著的潜力,以提高内牙科的放射性解释的准确性和效率.
• 这项技术可以帮助临床医生识别微妙或具有挑战性的仪器分离病例.