卷积神经网络辅助诊断中部部成熟阶段在形光束计算机断层扫描中
Mengyao Zhu1, Pan Yang2, Ce Bian1
1Department of Orthodontics, School of Stomatology, Capital Medical University, Beijing 100050, China.
Journal of dentistry
|December 15, 2023
概括
卷积神经网络 (CNN) 准确地定位了圆束计算机断层扫描 (CBCT) 图像中的中侧侧层. 这些人工智能模型还评估了结成熟阶段,在帮助大扩张治疗选择方面表现优于牙医.
科学领域:
- 口腔和面放射学 口腔和面放射学
- 人工智能在医学中的应用
- 矯正牙科 矯正牙科是一種矯正牙科.
背景情况:
- 大扩张治疗是指导着中盘 suture 化.
- 通过圆束计算机断层扫描 (CBCT) 评估中侧部形状,有助于评估化.
- 卷积神经网络 (CNNs) 在口腔和面成像中表现有前途.
研究的目的:
- 为了验证CNN模型来评估中腹 suture成熟阶段.
- 评估CNN在确定治疗计划关键解剖平面的诊断性能.
主要方法:
- 在CBCT中,ResNet50模型被训练用于中部层局部化.
- 不同的CNN模型 (ResNet18,ResNet50,ResNet101,Inception-v3,Efficientnetv2-s) 接受了成熟阶段分类的培训.
- 使用准确度,精度,回忆,F1分数和ROC曲线评估性能;通过梯度加权类激活图进行可视化.
主要成果:
- 在识别正确的CBCT横平面时,ResNet50实现了99.74%的准确性.
- 在成熟分类中,CNN模型达到很高的准确性:95.15% (2阶段),88.06% (3阶段) 和75.37% (5阶段).
- 美国有线电视新闻网的模型性能超过了经验丰富的正牙医的平均准确性.
结论:
- 美国有线电视新闻网 (CNN) 的模型有效地定位了CBCT中的中部部平面.
- 人工智能辅助的中部部成熟度评估改善了对大扩张的治疗选择.
- 这项技术提高了诊断准确度和治疗效率,以满足个体患者的需求.
