基于卷积神经网络的口腔角质化牙检测和测量的效率
Gokce Aykol-Sahin1, Ozgun Yucel2, Nihal Eraydin1
1Istanbul Okan University, Faculty of Dentistry, Department of Periodontology, Istanbul, Turkey.
Journal of periodontology
|July 15, 2024
概括
使用ResNet50的人工智能 (AI) 从口内照片准确地检测和测量化牙. 这种自动化方法与临床医生达成了很好的协议,为牙科专业人员提供了一种节省时间的工具.
科学领域:
- 牙科诊断 牙科诊断 牙科诊断
- 医疗保健中的人工智能
- 图像分析 图像分析
背景情况:
- 人工智能有助于组织评估和干预计划.
- 卷积神经网络 (CNN) 越来越多地用于医学图像分析.
- 检测和测量化牙对于牙周健康评估至关重要.
研究的目的:
- 评估深度学习算法 (CNN) 来从口内照片中检测角质化牙.
- 评估这些网络测量化牙宽度的能力.
- 为了比较不同CNN模型的性能,包括ResNet50.
主要方法:
- 用600张口内照片进行训练和比较.
- 雇员细分指标:准确性,交叉与工会,以及F1分数.
- 将AI测量与临床医生的测量进行比较,并使用ANOVA分析影响因素 (操作者,表型,下巴).
主要成果:
- 在细分膜化牙方面,ResNet50获得了最高的准确性 (91.4%).
- 深度学习测量显示,与临床医生在和表型之间有很好的一致性.
- 根据操作人员和类型 (p < 0.05) 观察到测量结果的统计学上显著差异.
结论:
- 使用ResNet50进行化牙的自动细分是一种可行的专业辅助方法.
- 该模型表现出高性能,需要更少的时间和专业知识.
- 基于人工智能的工具可以提高牙周评估的效率和准确性.
