基于卷积神经网络测量植入物支持假肢的皇冠-植入物比率
Jin-Ping Zhang1, Ze-Hui Wang2, Juan Zhang3
1Postgraduate student, Department of Oral Implantology, Affiliated Hospital of Stomatology, Nanjing Medical University, Nanjing, PR China.
The Journal of prosthetic dentistry
|January 26, 2024
概括
这项研究引入了一种自动机器学习系统,可以从放射图中准确测量皇冠-植入物比率 (CIR),提高牙医解释植入物支持假肢的效率.
科学领域:
- 牙科放射学 牙科放射学
- 生物医学工程 生物医学工程
- 机器学习在医疗保健中的应用.
背景情况:
- 皇冠-植入物比率 (CIR) 对植入物支持假肢的长期稳定性至关重要.
- 手动CIR测量是低效和不一致的,在临床和研究环境中带来了挑战.
研究的目的:
- 开发一个自动化系统来检测植入物支持假肢的CIR从X射线图.
- 提高牙科专业人员对放射图解读的效率和准确性.
主要方法:
- 利用卷积神经网络 (CNN),包括你只看一次版本4 (Yolov4),用于假肢检测和关键点识别.
- 采用双CNN方法来精确定位关键点,以及用于CIR计算的垂直距离方法.
- 使用规范化误差 (NE) 验证了准确性,并通过对联t测试将机器测量与手工测量进行了比较.
主要成果:
- 使用了1106张图像的数据集,证明了对假肢和关键点的满意识别.
- 通过平均NE值证实了关键点检测的高精度.
- 在机器和手动CIR测量之间没有发现显著差异 (P > .05).
结论:
- 机器学习有效地识别了植入式假肢,并从X射线图中计算了它们的CIR.
- 开发的系统可以帮助牙医在临床应用中获得高效和准确的CIR结果.
