使用基于YOLOv5x算法的深度学习来检测正牙后口腔照片上的白斑病变:试点研究

科学领域:

• 人工智能的人工智能
• 计算机视觉 计算机视觉
• 生物医学成像技术 生物医学成像技术

背景情况:

• 深度学习模型擅长识别微妙的视觉差异.
• 评估了YOLOv5x算法,以检测在正牙后牙科图像中的白斑病变 (WSL).
• 这项研究是迈向全自动化临床诊断工具的初步步骤.

研究的目的:

• 评估基于卷积神经网络 (CNN) 的YOLOv5x算法的性能,用于检测正牙后口腔照片中的白点病变 (WSL).
• 用有限的数据集来评估算法的有效性.
• 为未来的全自动化临床整合奠定基础.

主要方法:

• 通过使用Craniocatch软件,对435张JPG图像进行了白斑病变的标记.
• 图像的大小改为640×320,同时保留了模型训练的尺寸比.
• 在深度学习中使用YOLOv5x算法,通过ROC分析和混矩阵 (TP,FP,FN确定) 分析性能.

主要成果:

• 该模型在WSL检测方面实现了0.786的精度,0.618的召回,和0.692的F1得分.
• 来自ROC分析的曲线下的面积 (AUC) 为0.712.
• 精度-回忆曲线的平均平均精度 (mAP) 为0.425.

结论:

• 对于WSL检测,YOLOv5x模型的精度和灵敏度低于实际应用标准.
• 然而,与之前的研究相比,检测率被认为是有希望的和可以接受的.
• 通过扩大培训数据集和完善深度学习算法,可以实现未来的改进.