使用SegFormer的级联学习方法用于放射测量牙周骨损失
Hanwen Yu1, Xin Ye1, Wanjing Hong2
1School of Resources and Environment, University of Electronic Science and Technology, Chengdu, Sichuan, 610097, China.
BMC oral health
|March 12, 2024
概括
这项研究开发了一种深度学习 (DL) 方法,用于精确的放射性骨损失 (RBL) 在牙周炎诊断中的测量. DL方法准确地测量了特定牙位置的RBL,帮助临床医生诊断牙周病.
科学领域:
- 牙科 牙科是指牙科的专业.
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 边缘膜骨损失是牙周炎的关键指标,通常使用全景放射图进行评估.
- 精确测量放射性骨损失 (RBL) 对于诊断和监测牙周病的进展至关重要.
研究的目的:
- 开发一种基于深度学习 (DL) 的级联方法,用于在特定牙位置精确测量RBL.
- 评估DL模型在识别牙位置和细分牙结构的有效性,以准确量化RBL.
主要方法:
- 一个SegFormer深度学习模型被用于两个任务:牙位置识别和牙语义细分.
- 主要组件分析 (PCA) 用于基于细分的牙冠和牙根部分来测量RBL.
- 这种称为RBL-SF的方法集成了DL和PCA,用于自动化RBL评估.
主要成果:
- 牙位置识别任务实现了0.8906的平均IOU和0.9338.8的F1得分.
- 牙语义细分任务的平均IOU为0.8465和F1得分为0.9138.1的平均IOU.
- 结合的DL模型与临床医生的RBL测量显示出高相关性 (r > 0.85),显示出有希望的精度,灵敏度和F1分数.
结论:
- 开发的DL和PCA方法为牙周病诊断提供了快速可靠的辅助信息.
- RBL-SF方法可以在特定的牙位置精确测量RBL,帮助临床医生准确诊断和分期牙周炎.
