多模型深度学习方法用于分段牙和牙周病变在泛指仪上
Niha Adnan1, Fahad Umer1, Shahzaib Malik2
1Department of Surgery, Aga Khan University Hospital, Karachi, Pakistan.
概括
牙科中的人工智能 (AI) 可以提高诊断准确性. 这项研究开发了一种深度学习的人工智能模型,以准确细分周周病变,并在全景X射线上将其与引起的牙联系起来.
科学领域:
- 牙科 牙科是指牙科的专业.
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 人工智能 (AI) 在医疗和牙科诊断中的整合旨在提高准确性并减少主观性.
- 目前用于检测泛指镜 (PG) 上的周周病变的方法往往缺乏精确将疾病与特定的致病牙关联的能力.
研究的目的:
- 开发和评估一个深度学习 (DL) 的AI模型,用于对PGs. periapical pathosis进行细分.
- 使用人工智能,确定细分的周周病变及其相应的牙之间的关系.
主要方法:
- 250个PG的数据集由专家手动注释,以创建基准真相数据.
- 两种多模型深度学习方法,U-net和Mask RCNN,用于病变细分.
- 使用牙细分和编号算法,将细分病变与特定的牙联系起来.
主要成果:
- U-net模型在病变细分方面取得了高性能,98.1%的准确性,84.5%的精度,82.2%的F-1得分.
- 面具RCNN模型的性能较低,准确率为46.7%,F-1得分为63.1%.
- 这两种多模型方法都成功地将检测到的周周病变与PG的致病牙相关联.
结论:
- 这项研究成功地证明了多模型人工智能方法的能力,可以将PG的周周病变与引起的牙联系起来.
- U-net架构显著超过了Mask RCNN,表明其作为医疗图像细分标准的潜力.
- 随着更多数据和发现的进一步发展,可能会导致放射性牙科疾病的自动检测.
