相关实验视频
Updated: May 2, 2026

13:19
Deep Neural Networks for Image-Based Dietary Assessment
Published on: March 13, 2021
9.2K
通过使用预训练的卷积神经网络,推进面假牙:以图像为基础的巴的分类
Islam E Ali1,2, Yuka Sumita3,4, Noriyuki Wakabayashi1
1Department of Advanced Prosthodontics, Graduate School of Medical and Dental Sciences, Tokyo Medical and Dental University, Tokyo, Japan.
概括
四个人工智能 (AI) 模型在识别大面假牙场景方面显示出超过90%的准确性. 丹塞Net-201和Xception模型表现最好,为人工智能驱动的牙假体设计铺平了道路.
科学领域:
- 人工智能在牙科中的应用
- 医学图像分析 医学图像分析
- 牙修复 牙修复 牙修复 牙修复 牙修复
背景情况:
- 开发人工智能 (AI) 驱动的假肢设计系统需要准确地识别各种假牙场景.
- 预训练的卷积神经网络 (CNN) 为分析复杂的牙图像提供了潜在的解决方案.
研究的目的:
- 为了比较四个预先训练有素的CNN (VGG16,Inception-ResNet-V2,DenseNet-201,Xception) 在分类七种不同的面假牙条件中的表现.
- 评估这些人工智能模型的适用性,作为人工智能驱动的假肢设计系统的基本步骤.
主要方法:
- 定义了七个假牙类别:口腔裂,牙的牙切除术,牙的牙切除术,重建的牙切除术,完全牙的牙,部分牙的牙和完全牙的牙.
- 四个CNN模型在3541张口腔内闭合图像上使用转移学习进行了训练.
- 使用准确度,精度,回忆,F1得分,AUC和混矩阵来评估性能.
主要成果:
- 这四种模型都实现了高性能,测试的最大准确度在0.90 (Inception-ResNet-V2) 到0.95 (Xception) 之间.
- 与VGG16和Inception-ResNet-V2.2相比,Xception和DenseNet-201的性能略高.
- 精度,回忆和F1分数在表现最好的模型中的大多数类超过90%,平均AUC值在0.98和1.00之间.
结论:
- DenseNet-201和Xception表现最好,所有模型的诊断准确度都超过了90%,这表明牙科图像分析的巨大潜力.
- 这种人工智能方法可以通过整合形态,功能和治疗难度来帮助自动诊断,患者入院工作分配和假肢设计.
- 该研究解决了人工智能模型优化中数据集大小相关的挑战,并为未来人工智能辅助牙科研究提供了见解.

