在使用深度神经网络的全景射线图上检测和细分下的放射性病变
Mario Rašić1, Mario Tropčić2, Pjetra Karlović3
1Clinic for Tumors, Clinical Hospital Center "Sisters of Mercy", Ilica 197, 10000 Zagreb, Croatia.
Medicina (Kaunas, Lithuania)
|December 23, 2023
概括
这项研究开发了一种使用YOLOv8的深度学习模型,用于从全景射线图中检测和细分放射性下病变. 增强模型实现了高精度,显示了改善牙科诊断和患者护理的潜力.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 口腔和面放射学 口腔和面放射学
背景情况:
- 在下的放射性病变可能是具有挑战性的检测和细分准确.
- 早期和精确的诊断对于有效的治疗计划和患者的结果至关重要.
研究的目的:
- 开发和评估一个深度学习模型,特别是You Only Look Once (YOLO) v8,用于自主检测和细分放射性下病变.
- 用各种指标和增强技术来评估模型的性能.
主要方法:
- 分析了226张全景放射图,显示了各种放射性病变 (例如囊,乳腺母细胞瘤).
- 应用了数据增强技术,包括翻译,缩放,旋转,翻转和马赛克效果.
- 一个具有五倍交叉验证的深度神经网络被用于检测和细分任务.
- 性能被评估使用交叉在欧盟 (IoU),精度,回忆和平均平均精度 (mAP).
主要成果:
- 增强的YOLOv8模型显著提高了检测性能,达到95.2%的精度,94.4%的回忆率和97.5%的mAP@50.
- 分段任务的结果也得到了增强,达到100%的精度,94.5%的回忆,96.6%的mAP@50.
- 增量显著改善了mAP@50-95分数的检测 (68.7%) 和细分 (72.2%).
结论:
- 开发的YOLOv8深度学习模型展示了对放射性下病变的自动检测和细分的卓越能力.
- 该模型的性能,特别是数据增强,表明其作为牙科诊断中宝贵的工具的潜力.
- 这种人工智能驱动的方法有可能通过更高效,更准确的病变识别来提高患者护理.
