DMAF-Net:可变形的多尺度自适应融合网络,用于用全景射线图检测牙结构
Wei Li1, Yuanjun Wang1, Yu Liu2
1School of Health Science and Engineering, University of Shanghai for Science and Technology, Shanghai 200093, China.
Dento maxillo facial radiology
|March 22, 2024
概括
一个新的可变形多尺度自适应融合网 (DMAF-Net) 改进了全景放射学中牙科问题的检测. 这种由人工智能驱动的工具可以提高对受损牙,缺失牙和其他常见牙问题的诊断准确度.
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:
- 全景射线图是一种常见的牙科诊断工具.
- 牙结构的自动识别有助于临床决策.
- 提高检测牙异常的准确性至关重要.
研究的目的:
- 加强你只看一次 (YOLO) 网络,以改善全景放射图中的牙问题检测.
- 引入可变形多尺度自适应融合网 (DMAF-Net) 用于识别五种类型的牙科疾病.
主要方法:
- 通过增强YOLO网络以模块来进行特征提取和多尺度分析来开发DMAF-Net.
- 采用适应性空间特征融合来解决特征层之间的尺度不匹配.
- 使用标准指标评估模型性能,如平均精度,回忆和平均平均精度 (mAP).
主要成果:
- 在测试组中,DMAF-Net的平均精度为92.7%,回忆率为87.6%.
- 该模型获得的mAP分数为91.8% (mAP0.5) 和63.7% (mAP[0.5:0.95]).
- 与现有的深度学习模型相比,拟议的方法显示出更高的性能.
结论:
- DMAF-Net模型有效地检测到全景放射图中的牙结构问题.
- 这种人工智能驱动的方法显示了计算机辅助诊断,教育和牙科临床应用的巨大潜力.
更多相关视频
10:23Author Spotlight: Three-Dimensional Cephalometric Landmark Annotation Demonstration on Human Cone Beam Computed Tomography Scans
Published on: September 8, 2023
2.7K
05:49Author Spotlight: Advancing CBCT and Digital Dental Image Integration with AI-Assisted Digitization
Published on: February 23, 2024
834
