在全景放射图上自动编号牙的卷积神经网络:一个范围审查
Ramadhan Hardani Putra1, Eha Renwi Astuti1, Aga Satria Nurrachman1
1Department of Dentomaxillofacial Radiology, Faculty of Dental Medicine, Universitas Airlangga, Surabaya, Indonesia.
Imaging science in dentistry
|January 4, 2024
概括
卷积神经网络 (CNN) 在全景放射图上显示了牙自动编号的高性能. 优化CNN和数据集可以克服改善牙科人工智能应用的局限性.
科学领域:
- 人工智能在牙科中的应用
- 医学成像分析 医学成像分析
- 牙科放射学 牙科放射学
背景情况:
- 在全景放射图上自动编号牙对于牙科诊断至关重要.
- 卷积神经网络 (CNN) 提供了自动化这一过程的潜力.
- 现有的评论缺乏关于CNN在这个领域的应用的全面概述.
研究的目的:
- 对全景放射图上牙编号CNN模型的适用性和性能进行范围审查.
- 分析用于牙识别分类,检测和细分任务中的CNN.
- 确定当前CNN在自动牙编号方法中的优点和局限性.
主要方法:
- 在PubMed,Science Direct和Scopus数据库中进行了系统的在线搜索.
- 研究是根据预先定义的纳入标准进行选择的.
- 十二项研究符合纳入本范围审查的标准.
主要成果:
- 11项研究使用CNN进行检测,5项用于分类,3项用于牙编号的细分.
- 大多数研究报告了CNN模型在自动化牙编号方面的高性能.
- 限制包括具有特定牙科条件的错误阳性/阴性;数据集质量/数量和架构优化是关键.
结论:
- 在全景放射图上,CNN显示了高性能自动牙编号的巨大潜力.
- 未来的CNN模型应该解决初级/混合牙和各种牙状况.
- 优化的CNN架构可以成为牙科放射学中先进AI系统的基础.
