用卷积神经网络进行深度学习,在全景射线图上检测 mesiodens:比较四个模型
Sachiko Hayashi-Sakai1, Hideyoshi Nishiyama2, Takafumi Hayashi2
1Department of Pediatric Dentistry, The Nippon Dental University School of Life Dentistry at Niigata, 1-8 Hamaura-cho, Chuo-ku, Niigata, 951-8580, Japan. sakais@ngt.ndu.ac.jp.
Odontology
|July 17, 2024
概括
一个简单,轻量级的深度学习模型有效地检测了全景放射图上的 mesiodens. 这种基于人工智能的诊断可以帮助不明确的病例,但专家审查仍然至关重要,特别是对于儿童.
科学领域:
- 牙科 牙科是指牙科的专业.
- 放射学 放射学是一门学科.
- 人工智能的人工智能
背景情况:
- 弥西奥登斯 (Mesiodens) - - 过多的牙,可能会导致并发症.
- 在全景射线图上精确检测对于及时干预至关重要.
- 当前的诊断方法可能会面临不清晰图像的挑战.
研究的目的:
- 开发一个最佳,简单,轻量级的深度学习卷积神经网络 (CNN) 模型.
- 为了评估 mesiodens 检测开发的 CNN 模型的诊断性能.
- 为了利用SHapley添加式解释 (SHAP) 来实现模型的解释性.
主要方法:
- 通过628张全景放射图训练并验证了四个修改后的CNN模型.
- 评估模型性能使用准确度,精度,回忆,F1分数,ROC曲线和AUC.
- 采用SHAP来可视化对分类至关重要的图像特征.
主要成果:
- 一个二进制_connect_mnist_LeNet模型在四个深度学习模型中表现出最佳的诊断性能.
- 轻量级的CNN模型成功地检测到了 mesiodens.
- SHAP分析提供了对影响模型分类的图像特征的见解.
结论:
- 一个简单,轻量级的深度学习模型能够检测 mesiodens.
- 基于人工智能的诊断可以成为不清晰的全景放射图的宝贵补充.
- 由于儿童的辐射敏感性,需要专家重新评估.
