深度学习算法用于分类和检测使用口腔临床摄影图像的复发性胃口
Mimi Zhou1, Weiping Jie1, Fan Tang1
1Stomatology Hospital, School of Stomatology, Zhejiang University School of Medicine, Zhejiang Provincial Clinical Research Center for Oral Diseases, Key Laboratory of Oral Biomedical Research of Zhejiang Province, Cancer Center of Zhejiang University, Hangzhou, China.
Journal of dental sciences
|February 2, 2024
概括
深度学习模型通过临床照片准确地分类和检测复发性口腔 (RAU) 和其他口腔疾病. 这些人工智能工具有望改善口腔粘膜疾病的临床诊断.
科学领域:
- 医疗人工智能 医疗人工智能
- 医疗保健中的深度学习
- 口腔病理学成像检查口腔病理学成像
背景情况:
- 深度学习应用程序越来越多地用于医学诊断.
- 自动分类和检测口腔粘膜疾病对于及时治疗至关重要.
- 复发性口腔 (RAU) 是一种常见的口腔疾病,需要准确的识别.
研究的目的:
- 评估卷积神经网络 (CNN) 的有效性,用于RAU的自动分类和检测.
- 用临床照片评估CNN在区分RAU与正常口腔粘膜和其他口腔疾病方面的表现.
- 确定深度学习模型在帮助临床诊断口腔粘膜疾病方面的潜力.
主要方法:
- 利用了785张临床口腔照片,分类为RAU,正常的粘膜和其他疾病.
- 采用四个CNN模型进行分类和三个用于检测任务.
- 实现了628个培训,78个验证和79个测试图像的数据分割.
主要成果:
- 预训练的ResNet50在分类中实现了高性能 (AUC为98.95%).
- 预训练的YOLOV5在检测方面表现出强的结果 (AUC-PR 90.89%).
- 两种模型都表现出了出色的精度,回忆力和F1分数,用于各自的任务.
结论:
- 预训练的ResNet50和YOLOV5显示出从口腔图像分类和检测RAU的显著潜力.
- 这些人工智能算法提供了一种非侵入性的方法,可以增强口腔粘膜疾病的临床实践.
- 该研究强调了深度学习在提高口腔病变诊断的准确性和效率方面的价值.
