深度学习和特征选择技术的应用在CBCT图像上的外部根再吸收识别上
Nor Hidayah Reduwan1,2, Azwatee Abdul Aziz3, Roziana Mohd Razi4
1Department of Oral and Maxillofacial Clinical Sciences, Faculty of Dentistry, Universiti Malaya, Kuala Lumpur, 50603, Malaysia.
BMC oral health
|February 19, 2024
概括
将人工智能模型与特征选择技术相结合,可以显著改善外部根再吸收识别. 随机森林和视觉几何组16模型,通过特征选择来增强,显示出卓越的诊断性能.
科学领域:
- 牙科 牙科是指牙科的专业.
- 人工智能的人工智能
- 医疗成像医学成像
背景情况:
- 人工智能 (AI) 在识别大面部病变方面表现有前途.
- 外部根吸收 (ERR) 是一种需要准确识别的牙科疾病.
研究的目的:
- 评估四种深度学习模型 (DLM) 用于外部根吸收 (ERR) 识别.
- 评估结合特征选择技术 (FST) 与DLM对ERR识别准确性的影响.
主要方法:
- 模拟了88个前在不同深度 (0.5-2毫米) 的ERR.
- 获得了所有样品的形光束CT扫描.
- 训练并测试了四个DLM (RF+VGG,RF+EFNET,SVM+VGG,SVM+EFNET) 和它们的FST混合对应器.
主要成果:
- 随机森林 (RF) +视觉几何组16 (VGG) 模型显示了最高的性能.
- 与RF+VGG相结合的FST实现了81.9%的精度,83%的加权精度和96%的AUC.
- 在八种模型中观察到预测准确度的显著差异 (p=0.008).
结论:
- 深度学习模型在ERR识别方面表现相似.
- 整合特征选择技术可以提高DLM对ERR的诊断能力.
