深度学习用于使用面罩区域基础的卷积神经网络在横向脑电图上自动检测脑电标志:试点研究
Zhentao Jiao1, Zhuangzhuang Liang2, Qian Liao3
1Department of Oral and Maxillofacial Surgery, Dalian Stomatological Hospital, Dalian, China; Division for Globalization Initiative, Liaison Center for Innovative Dentistry, Graduate School of Dentistry, Tohoku University, Sendai, Japan.
概括
基于面具区域的卷积神经网络 (Mask R-CNN) 能够有效地检测横向脑电图上的脑电图标志. 这种深度学习方法在自动化分析方面表现有前途,提高了脑力测量研究的准确性和效率.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 矯正牙科 矯正牙科是一種矯正牙科.
背景情况:
- 脑仪分析在正牙科和大面部手术中至关重要.
- 在横向脑测射线图 (LCR) 上手动识别地标是耗时且容易出现错误的.
- 自动化这个过程可以显著提高诊断准确性和治疗规划.
研究的目的:
- 评估基于Mask区域的卷积神经网络 (Mask R-CNN) 的有效性和可行性,用于自动化脑测量里程碑检测.
- 为了比较Mask R-CNN与手动地标识别的性能.
- 评估深度学习在简化脑力测量分析方面的潜力.
主要方法:
- 采用400张横向头脑电图 (LCR) 的数据集,每张图像有19个手动识别的地标.
- 320台LCR被用于训练Mask R-CNN模型.
- 其余的80个LCR用于测试,评估检测率,平均误差和准确性.
主要成果:
- 面具R-CNN在1520个地标上实现了98.29%的高检测率.
- 检测和手动地标之间的平均线性偏差为2.19毫米.
- 观察到高精度,85.74%的地标在4毫米的手动标记范围内被检测到,平均检测时间为每张图像1.48秒.
结论:
- 使用Mask R-CNN的深度学习显示了对LCRs自动头脑测量里程碑检测的重大前景.
- 这种自动化方法提供了一种有效和可行的解决方案,克服了手动分析的局限性.
- 面膜R-CNN可以提高临床和研究环境中脑力测量分析的效率和准确性.
