对一种深度学习模型的性能评估,用于在牙科全景放射图上自动检测和定位异常性骨质硬化症
Melek Tassoker1, Muhammet Üsame Öziç2, Fatma Yuce3
1Faculty of Dentistry, Department of Oral and Maxillofacial Radiology, Necmettin Erbakan University, Bağlarbaşı Street, 42090, Meram, Konya, Turkey. dishekmelek@gmail.com.
Scientific reports
|February 24, 2024
概括
一个深度学习模型在牙科放射图上准确地检测出异常性骨质硬化 (IO),即使数据有限. 这种人工智能工具有望改善牙科诊断,并可能减少不必要的活检.
科学领域:
- 口腔辐射学 口腔辐射学
- 人工智能在医学中的应用
- 深度学习应用程序
背景情况:
- 异常性骨质硬化症 (IO) 呈现为中的偶然的焦点放射性病变.
- 诊断通常依赖于常规的牙科全景放射图.
- IO的稀有性对开发诊断工具提出了挑战.
研究的目的:
- 评估深度学习模型在检测牙科全景放射图上异常性骨质硬化症 (IO) 的性能.
- 用有限的数据集评估模型的准确性和效率.
- 探索AI在帮助IO的牙科诊断方面的潜力.
主要方法:
- 收集了175张IO阳性牙科全景放射图的数据集.
- 数据增强 (水平翻转) 创建了一个350图像数据集.
- 经过YOLOv5深度学习模型的训练和验证.
- 使用精度,回忆,F1得分,mAP和推断时间来测量性能.
主要成果:
- 深度学习模型在测试组中实现了高性能指标.
- 精度:0.981,回忆:0.929,F1得分:0.954. 这是一个很好的结果.
- 平均推断时间为25.4毫秒,这表明检测速度很快.
结论:
- 深度学习模型可以有效地检测异常性骨质硬化症 (IO),尽管数据集小,图像特征可变.
- YOLOv5模型在识别IO病变方面表现出高准确性和速度.
- 人工智能驱动的检测可以增强临床工作流程,并可能防止不必要的活检.
