从使用卷积神经网络的咬翼图像诊断牙
Parsa ForouzeshFar1, Ali Asghar Safaei2,3, Foad Ghaderi4,5
1Department of Data Science, Faculty of Mathematical Sciences, Tarbiat Modares University, Tehran, Iran.
BMC oral health
|February 10, 2024
概括
这项研究开发了一种使用卷积神经网络来检测X射线牙损伤的AI模型,通过VGG19模型实现了93.93%的准确性. 这为牙腐烂提供了更快,更准确的诊断.
科学领域:
- 医疗成像中的人工智能
- 牙科放射学 牙科放射学
- 机器学习用于医疗保健
背景情况:
- 牙腐烂是一种普遍的疾病,影响所有年龄组,特别是儿童.
- 细菌酸的产生侵蚀牙结构,导致变色,疼痛和敏感性.
- 目前的手动诊断方法耗时;人工智能提供了更高的准确性和效率.
研究的目的:
- 开发和评估一个数据驱动的模型,使用Bitewing放射图像进行准确的牙衰变诊断.
- 利用卷积神经网络 (CNN) 来自动检测牙.
- 探索人工智能在增强牙科诊断过程中的潜力.
主要方法:
- 利用了从2020年6月到2022年1月的713名Bitewing患者X射线图像的数据集.
- 使用四种不同的CNN架构处理图像:AlexNet,ResNet50,VGG16和VGG19.
- 将图像缩小到100x100,并分为70%的培训 (4219张图像) 和30%的测试 (1813张图像) 集.
主要成果:
- 在评估的架构中,VGG19 CNN模型显示了最高的诊断准确性.
- 在识别牙损伤方面取得了令人印象深刻的93.93%的准确率.
- 这突显了特定的CNN模型在牙科图像分析中的有效性.
结论:
- 这项研究表明,基于人工智能的自动化牙虫诊断系统具有很大的潜力.
- 这种系统可以作为移动应用程序或基于云的服务,帮助牙医.
- 这种人工智能工具可以显著改善牙腐烂的早期检测和管理.


