卷积神经网络与牙周炎诊断的分类算法相结合
Fang Dai1,2,3, Qiangdong Liu1,4,2,3, Yuchen Guo4
1Center of Stomatology, The Second Affiliated Hospital, Jiangxi Medical College, Nanchang University, No.1, Minde Road, Nanchang, 330000, Jiangxi, China.
Oral radiology
|February 23, 2024
概括
结合卷积神经网络 (CNN) 和分类算法 (CA) 的深度学习模型,可以从放射图中准确诊断牙周炎的阶段. 这种人工智能工具可以帮助牙医快速准确地确定牙周炎的阶段.
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:
- 牙周炎的诊断依赖于临床数据和放射图,这可能是耗时的.
- 精确的牙周炎病期确定对于有效的治疗计划至关重要.
研究的目的:
- 开发一种深度学习模型,用于自动化牙周炎分期,使用周周放射 (PERs).
- 提高牙医在识别牙周炎严重程度方面的诊断准确性和效率.
主要方法:
- 像Alexnet,VGG16和ResNet18这样的卷积神经网络 (CNN) 在PERs上接受了培训.
- 包括随机森林 (RF) 在内的分类算法 (CA) 与CNN模型集成.
- 梯度加权类激活映射可视化 PERs 感兴趣的区域.
主要成果:
- PER-Alexnet + RF模型实现了高精度 (0.968用于控制,0.960用于I阶段,0.835用于II阶段,0.842用于III/IV阶段).
- 热图证实了模型识别的牙周炎相关的骨病变.
- 年龄和吸烟被确定为与牙周炎病期相关的重要因素.
结论:
- PER-Alexnet + RF模型在全面的牙周炎诊断方面表现出高性能.
- 与CA结合的CNN为牙医提供了一种有价值的工具,可以快速准确地诊断牙周炎的各个阶段.
