在形束计算机断层图像上对尾鼻腔的自动细分使用U-Net深度学习模型
Busra Ozturk1, Yavuz Selim Taspinar2, Murat Koklu3
1Department of Dentomaxillofacial Radiology, Faculty of Dentistry, Necmettin Erbakan University, Meram, Konya, 42050, Turkey.
概括
这项研究开发了一种深度学习方法,用于在圆束计算机断层扫描 (CBCT) 图像中对上鼻腔进行细分. 该U-Net模型实现了高精度,改善了诊断和手术规划.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 放射学 放射学是一门学科.
背景情况:
- 医学成像细分隔离图像中的特定结构.
- 上鼻腔细分有助于诊断和手术规划.
- 深度学习提供了先进的图像处理能力.
研究的目的:
- 开发一种基于深度学习的方法,用于上鼻腔细分.
- 为了改善外科医生使用圆束计算机断层扫描 (CBCT) 数据的图像指导.
- 提高诊断准确度和手术干预成功率.
主要方法:
- 利用了来自100名患者 (200个鼻腔) 的轴性CBCT图像.
- 采用U-Net深度学习架构进行细分.
- 实施早期停止,以确定最佳的训练参数 (10个时代,100次代/时代).
主要成果:
- 使用U-Net模型在上鼻细分方面取得了高性能.
- 交叉与联盟 (IoU) 的分数为0.9275.
- F1 评分为 0.9784.4 的结果.
结论:
- U-Net模型在上鼻细分方面取得了显著的成功.
- 能够进行快速,准确的评估,减少临床医生的工作量和主观错误.
- 促进改善牙科和相关领域的诊断和手术结果.
