基于转移合体学习的卷积神经网络模型的评估,用于从口腔照片中识别慢性牙炎
Wen Li1, Enting Guo2, Hong Zhao2
1Department of Cariology and Endodontics, Nanjing Stomatological Hospital, Affiliated Hospital of Medical School, Research Institute of Stomatology, Nanjing University, Nanjing, China.
BMC oral health
|July 17, 2024
概括
先进的深度学习模型ResNet和GoogLeNet显示出从口腔图像中识别慢性牙炎的前景. 这些人工智能工具可以帮助有效诊断牙周病.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 牙周病学 牙周病学
背景情况:
- 从口腔图像中检测慢性牙炎对于及时管理牙周病至关重要.
- 深度卷积神经网络 (ConvNet) 模型为自动图像分析提供了潜力.
研究的目的:
- 评估使用组合学习进行慢性牙炎识别的先进深度ConvNet模型 (AlexNet,VGG,GoogLeNet,ResNet) 的性能.
- 为了比较这些模型的准确性和灵敏性,从查口腔图像来分类牙炎.
主要方法:
- 使用了来自134名志愿者的683张口内图像数据库.
- 通过使用集体学习技术开发和评估了四种深度ConvNet模型.
- 模型的性能通过确定牙炎的准确性和灵敏性来衡量.
主要成果:
- ResNet在曲线下面积 (AUC) 达到97%的最高水平,其次是GoogLeNet (94%),AlexNet (92%) 和VGG (89%).
- 在牙炎分类方面,ResNet和GoogLeNet表现出了卓越的表现.
- 在ResNet,GoogleLeNet和AlexNet之间,灵敏度结果是可比的,但对于VGG.net来说显著较低.
结论:
- ResNet和GoogLeNet模型显示出从口腔图像中识别慢性牙炎的巨大潜力.
- 这些人工智能模型可以帮助临床医生更有效地诊断牙周疾病.
- 这些发现支持深度学习用于患者自我检查和早期疾病检测.
