对基于深度学习的3D牙网分割方法在分割部分扫描中的局限性的批判性分析

科学领域:

• 数字牙科数字牙科
• 医学成像医学成像
• 计算机视觉 计算机视觉 计算机视觉

背景情况:

• 深度学习模型从口腔内扫描实现牙细分的高准确性.
• 当前的方法往往假定培训和评估的完整的全模型.
• 临床应用可能涉及部分或不完整的口内扫描,这可能是一个挑战.

研究的目的:

• 评估现有的深度学习牙细分技术在部分口腔内扫描上的稳定性.
• 在面对不完整数据时,量化这些模型的性能退化.
• 强调需要开发不依赖全假设的细分方法.

主要方法:

• 应用已建立的深度学习牙细分算法对部分口内扫描数据集.
• 进行了广泛的实验来分析和比较性能退化.
• 研究了将部分扫描纳入模型培训中的挑战.

主要成果:

• 广泛使用的深度学习牙细分技术在部分口内扫描上表现显著不佳.
• 与全模型获得的结果相比,性能显著下降.
• 将部分扫描数据集成到培训中存在一些不平凡的困难.

结论:

• 当前高性能深度学习牙细分方法在临床环境中应用于部分扫描时缺乏稳定性.
• 了解这种绩效差距对于推进数字牙科至关重要.
• 需要进一步的研究来开发强大的牙细分技术,适应不完整的口内数据.