相关实验视频
Updated: May 2, 2026
10:25
Deep Learning-Based Segmentation of Cryo-Electron Tomograms
Published on: November 11, 2022
8.7K
在使用深度学习的圆光束CT中,对多类病变进行自动分类和细分
Wei Liu1, Xiang Li2, Chang Liu1
1State Key Laboratory of Oral Diseases & National Center for Stomatology & National Clinical Research Center for Oral Diseases & Department of Oral and Maxillofacial Surgery, West China Hospital of Stomatology, Sichuan University, Chengdu 610041, China.
Dento maxillo facial radiology
|June 27, 2024
概括
一种深度学习模型在形光束CT扫描上准确地分类和细分下巴病变,超过人类专家并提高他们的诊断准确性. 这种人工智能工具提高了区分复杂病变的效率,如乳腺母细胞瘤和牙生囊.
科学领域:
- 口腔和面放射学 口腔和面放射学
- 医疗成像中的人工智能
- 深度学习用于医学诊断
背景情况:
- 使用圆光束CT (CBCT) 精确地对病变进行分类和细分,对于有效的治疗计划至关重要.
- 手动解释CBCT扫描可能耗时,并且受观察者之间的变化影响.
- 深度学习 (DL) 模型为医疗图像分析的自动化和提高准确性提供了潜力.
研究的目的:
- 开发和验证基于nnU-Net的修改深度学习 (DL) 模型,用于分类和细分五种类型的病变.
- 评估模型的性能与口腔和面外科医生 (OMS) 和放射科医生 (OMFR) 相比.
- 评估人工智能协助对临床医生的诊断性能和效率的影响.
主要方法:
- 使用368次CBCT扫描 (37,168片) 训练了一种多类细分DL模型,并使用OMS的手动注释作为基本事实.
- 性能指标包括灵敏度,特异性,精度,F1得分和分类准确度,以及子相似系数 (DSC),平均对称表面距离 (ASSD) 和细分时间.
- 该模型的分类和细分能力与OMS和OMFR的分类和细分能力进行了比较,有或没有人工智能辅助.
主要成果:
- DL模型实现了高分类性能 (灵敏度为0.871,特异性为0.974,精度为0.874,精度为0.891),超过了人类专家.
- 人工智能协助显著提高了OMS和OMFR的分类性能,特别是在区分具有挑战性的病变,如乳腺母细胞瘤 (AM) 和口腔瘤 (OKC) (F1得分的改善:6.2%12.7%).
- 该模型表现出强大的细分性能 (DSC 87.2%,ASSD 1.359 mm) 和大幅减少的细分时间 (40 ± 9.9 秒) 与手动细分 (25 ± 7.2 分钟) 相比.
结论:
- 开发的DL模型在CBCT图像中提供了五种病变类型的准确和高效的分类和细分.
- 人工智能工具有效地帮助临床医生提高诊断准确度和细分效率,特别是难以区分的病变.
- 这项技术对提高口腔和面放射学诊断工作流程具有重大前景.
