相关实验视频
Updated: Jun 28, 2025
05:37
Experimental Model of Ligature-Induced Peri-Implantitis in Mice
Published on: May 17, 2024
2.2K
建立一个新的深度学习模型来检测周植入物s
Wei-Fang Lee1,2, Min-Yuh Day3, Chih-Yuan Fang1,4
1School of Dentistry, Taipei Medical University, Taipei, Taiwan.
Journal of dental sciences
|April 15, 2024
概括
人工智能,特别是深度学习,可以有效地从牙科X射线中识别围植性炎. 这种人工智能模型准确地检测到边缘骨损失,并分类植入周炎的严重程度,帮助牙科专业人员诊断植入物问题.
科学领域:
- 牙科放射学 牙科放射学
- 医学中的人工智能.
- 机器学习用于医学成像.
背景情况:
- 周植入炎的诊断严重依赖于周植入炎放射.
- 人工智能 (AI) 在分析放射图像方面表现有前途.
- 准确的诊断对于管理植入物并发症至关重要.
研究的目的:
- 开发一种深度学习模型,以区分植入物周围的边际骨损失.
- 使用人工智能对外植入炎的严重程度进行分类.
- 评估人工智能的有效性,以分析周周植入炎的周周放射图.
主要方法:
- 采用了800张周周放射图像的数据集.
- 图像被分为深度学习的培训,验证和测试集.
- 使用YOLOv7对象检测算法来识别围植入炎.
主要成果:
- 深度学习模型实现了高分类性能.
- 具体性:100%的特异性
- 精确度:100% 准确度:100% 准确度:100% 准确度:100% 准确度:100% 准确度:100% 准确度
- 回忆: 94.44% 的时间.
- 在F1中得分:97.10%
结论:
- 基于深度学习的对象检测可以在周围放射图中识别植入物.
- 这种人工智能系统显示了帮助牙医和患有植入物相关问题的患者的潜力.
- 建议对各种植入系统进行进一步培训,以加强临床应用.
