通过比较两种机器学习模型在检测和分类使用周周放射图的周周病变的准确性
Do Hoang Viet1, Le Hoang Son2, Do Ngoc Tuyen3
1School of Dentistry, Hanoi Medical University, Hanoi, 100000, Vietnam.
Oral radiology
|June 11, 2024
概括
深度学习模型Faster R-CNN和YOLOv4显示了使用牙科放射图的牙周指数 (PAI) 评分系统检测和分类牙周病变的潜力.
科学领域:
- 牙科 牙科是指牙科的专业.
- 人工智能的人工智能
- 医疗成像医学成像
背景情况:
- 关于使用深度学习对周周病变进行分类的研究有限,特别是使用周周指数 (PAI) 评分系统.
- 周周病变需要准确的检测和分类,以进行有效的治疗计划.
研究的目的:
- 应用Faster R-CNN和YOLOv4深度学习模型来检测和分类周周病变.
- 通过使用 PAI 评分,评估不同牙弧区域 (前,前,牙) 的模型性能.
主要方法:
- 使用了2658次周周放射 (PR),其中2122次用于培训,268次用于验证和268次用于测试.
- 使用了Faster R-CNN和YOLOv4深度学习架构.
- 使用经验丰富的牙医诊断作为参考标准.
主要成果:
- 快速R-CNN和YOLOv4都在检测周周病变方面表现出高灵敏度,特异性,准确性和精度.
- 模型性能在前,前和部区域之间没有显著的变化.
- 与YOLOv4 (68.06%,50.94%,65.31%) 相比,更快的R-CNN实现了更高的PAI 3,4和5病变 (89%,83.01%,91.84%) 的真实预测率.
结论:
- 更快的R-CNN和YOLOv4模型显示了检测和分类周周病变的巨大潜力.
- PAI评分系统可以有效地与深度学习模型集成,以提高诊断能力.
- 进一步的研究可能会改进YOLOv4的性能,以改善周周病变分析.
