在形光束CT上进行牙科性囊性损伤细分,使用自动适应的多尺度UNet
Zimo Huang1, Bo Li2, Yong Cheng2
1School of Computer Science, The University of Sydney, Sydney, NSW, Australia.
Frontiers in oncology
|June 27, 2024
概括
一个新的OCL-Net模型在牙科圆束计算机断层扫描 (CBCT) 中准确地细分了口腔致囊性病变 (OCL). 这种人工智能工具提高了诊断准确度,并大大减少了面外科医生评估时间.
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:
- 在牙科圆束计算机断层扫描 (CBCT) 中精确细分牙科囊病变 (OCL) 对诊断至关重要.
- 现有的监督学习方法在细分各种OCL亚型方面存在局限性.
研究的目的:
- 在CBCT中引入OCL-Net,这是一种用于OCL细分的新型监督学习方法.
- 评估OCL-Net在提高面外科医生诊断效率方面的有效性.
主要方法:
- 开发了OCL-Net,将多尺度U-Net与自动适应机制和联合监督损失相结合.
- 收集并手动注释300个匿名CBCT图像用于OCL细分面具.
- 通过OCL-Net的协助,与7名临床医生进行了诊断评估.
主要成果:
- OCL-Net实现了高细分性能,88.84%的子得分,81.23%的IOU和92.37%的AUC.
- 在OCL-Net的帮助下,临床诊断准确度从53.21%提高到55.71%.
- 平均诊断时间从101s显著减少到47s (P<0.05).
结论:
- 在CBCT图像中,OCL-Net展示了强大的OCL自动细分能力.
- 由OCL-Net生成的细分口罩可以提高OCL的牙科诊断效率.
