深度学习方法对不同牙周炎阶段患者的放射检测进行比较
Berceste Guler Ayyildiz1, Rukiye Karakis2, Busra Terzioglu1,3
1Faculty of Dentistry, Department of Periodontology, Kutahya Health Sciences University, Kutahya, 43100, Turkey.
Dento maxillo facial radiology
|January 12, 2024
概括
深度学习模型从全景射线图中准确地分阶段牙周骨损失. 在DenseNet121 + GAP + mRMR支持矢量机器模型中,在分类骨损失严重程度方面表现出了卓越的性能.
科学领域:
- 放射学和牙科 放射学和牙科
- 医疗保健中的人工智能
- 医学图像分析 医学图像分析
背景情况:
- 牙周骨损失的分期对于治疗规划至关重要.
- 从全景放射图中准确分类牙周骨损失仍然具有挑战性.
- 计算机辅助的方法有可能提高诊断的准确性.
研究的目的:
- 评估深度学习 (DL) 的准确性,用于计算机辅助的牙周骨损失分期.
- 为了比较不同DL模型和特征提取层的性能.
- 为了确定牙周骨损失分类的最佳模型.
主要方法:
- 使用了2533张全景放射图,分为健康,1/2阶段和3/4阶段的骨损失组.
- 用ResNet50,DenseNet121和InceptionV3模型进行员工转移学习.
- 使用全球平均聚合 (GAP),全球最大聚合 (GMP) 或平面层 (FL) 提取的特征,然后使用8个机器学习 (ML) 模型进行分类.
- 适用于特征选择和重新分类的最小冗余最大相关性 (mRMR).
主要成果:
- 基于DenseNet121 + GAP和基于DenseNet121 + GAP + mRMR的ML技术显示出卓越的性能.
- 采用特征选择技术的模型表现优于标准的CNN模型.
- 数据集包括721例健康病例,842例1/2阶段和970例3/4阶段的骨损失病例.
结论:
- 在DenseNet121 + GAP + mRMR支向量机器模型中,在牙周骨损失分类中实现了高性能.
- 这个模型有效地检测来自原始图像的特征,而无需手动选择.
- 开发的模型超越了牙周骨损失分期的现有文献基准.
