使用多类和减少的全景放射数据集对象检测和细分的卷积神经网络的三种版本的性能评估
M Bonfanti-Gris1, A Herrera1, S Paraíso-Medina2
1Department of Conservative and Prosthetic Dentistry, Faculty of Dentistry, Complutense University of Madrid. Plaza Ramón y Cajal s/n - 28040 Madrid, España.
Journal of dentistry
|February 17, 2024
概括
这项研究评估了分析牙科全景放射图的深度学习模型. YOLOv7m在对象检测方面表现出色,而YOLOv8m在对象细分方面表现最好,提高了AI工具的可靠性.
科学领域:
- 人工智能在牙科中的应用
- 对于医学成像的深度学习
- 卷积神经网络用于放射分析.
背景情况:
- 全景放射图对于牙科诊断和治疗规划至关重要.
- 深度学习模型为放射性特征的自动化分析提供了潜力.
- 评估不同神经网络架构的性能对于临床应用至关重要.
研究的目的:
- 为了评估三个只看一次 (YOLO) 神经网络版本的诊断性能,用于对象检测和细分.
- 在多类全景放射数据集上比较YOLOv5s,YOLOv7m和YOLOv8m的疗效.
- 为了确定牙科X光学分析中特定任务的最佳YOLO版本.
主要方法:
- 创建了一个由600个手动注释的骨科造影数据集,包括牙,骨结构,神经和修复.
- 在注释数据集上训练了三个YOLO版本 (v5s,v7m,v8m).
- 在各种值时,使用精度,回忆,F1分数,交叉点在欧盟 (IoU) 和平均平均精度 (mAP) 来评估性能.
主要成果:
- 在物体检测方面,YOLOv7m获得了最高的性能 (mAP0.5: 0.740,mAP0.5-0.95: 0.481).
- 在对象细分方面,YOLOv8m表现出优异的结果 (mAP0.5:0.591,mAP0.5-0.95:0.272).
- 常见的错误包括检测的背景错误分类和分段的牙科治疗的交叉分类.
结论:
- 建议YOLOv7m用于全景射线图中的物体检测任务.
- 在这种情况下,YOLOv8m是对象细分的首选模型.
- 需要进一步验证,以确保这些人工智能工具在临床使用中的通用性.
