基于CBCT的牙分类:深度学习网络解释性研究
Surong Chen1,2, Yan Yang1,2, Weiwei Wu1,2
1Department of Stomatology, Tongji Hospital, Tongji Medical College, Huazhong University of Science and Technology, Wuhan 430030, Hubei Province, China.
Journal of imaging informatics in medicine
|May 28, 2024
概括
这项研究引入了使用圆束计算断层扫描 (CBCT) 和深度学习模型的牙损的新分类方案. 这种可解释的模型显著提高了的分类准确性,有助于治疗决策.
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:
- 牙腐烂的诊断依赖于视觉检查和放射学,这些都有局限性.
- 圆束计算断层扫描 (CBCT) 为牙科诊断提供了详细的3D成像.
- 深度学习模型在提高各种医疗领域的诊断准确性方面表现有前途.
研究的目的:
- 开发使用CBCT的虫分类方案.
- 创建和评估两种深度学习模型,以提高牙分类准确度.
- 引入一种测量标准,用于确定II型的治疗策略.
主要方法:
- 从204个牙CBCT图像中策划了2713个轴切片的数据集.
- 通过使用预训练的网络 (ResNet50_vd,MobileNetV3_large_ssld) 训练了两个深度学习模型 (直接和可解释).
- 局部可解释的模型不可知解释 (LIME) 方法用于模型可解释性分析.
主要成果:
- 直接分类模型达到0.700的最大精度.
- 可解释的分类模型在性能指标上始终超过0.917.
- 通过突出关键图像特征,LIME证实了模型的可解释性.
- 在空-肉距离和治疗策略之间发现了显著的负相关性.
结论:
- 基于CBCT的虫分类方案和深度学习模型是诊断牙虫的有效工具.
- 可解释的深度学习模型在空白的分类中明显优于直接模型.
- 提出的牙损伤分类和模型可以帮助临床决策治疗牙损伤.


