自动深度学习检测在咬伤翼放射图片中悬挂的修复
Guldane Magat1, Ali Altındag1, Fatma Pertek Hatipoglu2
1Necmettin Erbakan University Dentistry Faculty, Department of Oral and Maxillofacial Radiology, Faculty of Dentistry, Necmettin Erbakan University, Konya, Meram, Turkey, 42090, Turkey.
Dento maxillo facial radiology
|July 18, 2024
概括
深度卷积神经网络 (CNN) 算法有效地检测和细分在咬翼放射图中悬挂的牙修复. 这种人工智能 (AI) 方法显示出高精度和灵敏度,可能会彻底改变牙科诊断.
科学领域:
- 牙科 牙科是指牙科的专业.
- 人工智能的人工智能
- 医疗成像医学成像
背景情况:
- 悬挂的牙修复是修复性牙科的常见问题.
- 准确的检测和细分对于预防二次牙和牙周病至关重要.
研究的目的:
- 评估深层卷积神经网络 (CNN) 算法的有效性,以检测和细分悬挂的牙科修复.
- 为了评估这个诊断任务的你只看一次 (YOLOv5) CNN模型.
主要方法:
- 使用了1160张匿名咬翅放射图的数据集.
- 一个CNN模型 (YOLOv5) 在80%的数据上接受了训练,在10%上得到了验证,并在10%上进行了测试.
- 计算了包括准确度,灵敏度,精度,F1得分和AUC在内的性能指标.
主要成果:
- CNN模型的精度达到90.9%,灵敏度为85.3%,F1得分为88.0%.
- 接收器运行特征曲线 (AUC) 下的面积为0.859.
- 在0.5的IOU值下,平均平均精度 (mAP) 为0.87.
结论:
- 深度CNN算法在检测和诊断悬挂的牙科修复方面表现出高效.
- 这项研究强调了深度学习在推进牙科诊断程序方面的潜力.
