在全景放射图上基于深度学习的下管道自动细分:一个多设备研究
Moe Thu Zar Aung1,2, Sang-Heon Lim3, Jiyong Han3
1Department of Oral and Maxillofacial Radiology, School of Dentistry and Dental Research Institute, Seoul National University, Seoul, Korea.
Imaging science in dentistry
|April 4, 2024
概括
一个深度学习模型在牙科全景放射图中有效检测下沟通道,达到超过88%的准确性. 这种卷积神经网络方法显示了在不同的成像机器中实现自动细分的前景.
科学领域:
- 放射学 放射学是一门学科.
- 人工智能的人工智能
- 医疗成像医学成像
背景情况:
- 精确识别下沟通道对于牙科手术至关重要.
- 目前的手动细分方法可能耗时且主观.
- 深度学习为牙科放射图的自动化和精确分析提供了潜力.
研究的目的:
- 开发和评估一个深度学习模型用于自动下沟检测.
- 评估使用U-Net架构进行细分的卷积神经网络 (CNN) 的性能.
- 调查来自多台全景放射仪的数据对模型性能的影响.
主要方法:
- 从三个不同的机器 (RAYSCAN Alpha,OP-100,CS8100) 收集了2100张全景放射图.
- 使用基于U-Net的CNN架构进行下管道自动细分.
- 训练了七个独立网络,使用来自三个机器的数据的各种组合,并在持久测试集上进行评估.
主要成果:
- 在所有三组机器上训练的网络实现了88.9%的子相似系数 (DSC).
- 在两组组合上训练的网络也表现出很高的表现,DSC从87.8%到88.4%不等.
- 表现最好的网络显示了高精度 (90.6%) 和回忆 (87.4%).
结论:
- 深度学习模型,特别是使用U-Net的CNN,可以在全景放射图上实现下管细分的出色性能.
- 超过88%的DSC表明了拟议的深度学习方法的稳定性.
- 模型开发应考虑不同设备的放射图的特征,而不仅仅是数据集大小,以获得最佳性能.
