对基于深度学习的方法进行比较分析,用于对牙科植入物分类的决策支持系统.
Mohammed A H Lubbad1,2, Ikbal Leblebicioglu Kurtulus3, Dervis Karaboga4,5
1Department of Computer Engineering, Engineering Faculty, Erciyes University, 38039, Kayseri, Turkey. engmlubbad@gmail.com.
Journal of imaging informatics in medicine
|April 2, 2024
概括
这项研究引入了用于自主牙科植入物品牌识别的深度学习系统. ConvNeXt模型实现了94.2%的准确性,提高了植入物诊断和治疗计划.
科学领域:
- 人工智能在牙科中的应用
- 医学成像分析 医学成像分析
- 植入物学 植入物学
背景情况:
- 准确识别牙科植入物品牌对于成功治疗至关重要.
- 目前用于植入物识别的方法可能耗时且容易出现错误.
- 整合先进的诊断工具可以提高植入物学中的效率和患者结果.
研究的目的:
- 开发一种自主系统,使用深度学习来识别牙科植入物品牌.
- 评估系统的性能和临床应用的潜力.
- 提出一个框架,以加强植入物学中的诊断和治疗.
主要方法:
- 利用了28个深度学习模型,包括卷积神经网络 (CNN) 和视觉变换器.
- 训练和评估的模型在一个数据集的1258全景X射线图,包括六种不同的植入系统.
- 专注于各种牙科植入物品牌的分类准确性.
主要成果:
- 深度学习系统在识别牙科植入物品牌方面表现出高的分类准确性.
- ConvNeXt架构的小型模型实现了94.2%的峰值精度.
- 这表明在自动化植入物品牌分类方面取得了重大成功.
结论:
- 基于深度学习的系统对于精确的牙植入物类型分类非常有效.
- 这些发现支持将深度学习纳入临床实践,以改善植入学.
- 这项技术有望提高患者护理和治疗结果.
