利用预先训练有素的变压器进行高效的细分和损伤检测,在形光束计算机断层扫描中进行扫描
Rui Qi Chen1, Yeonju Lee1, Hao Yan2
1H. Milton Stewart School of Industrial and Systems Engineering, Georgia Institute of Technology, Atlanta, Georgia.
Journal of endodontics
|August 3, 2024
概括
像Swin-UNETR这样的预训练过的变压器模型在从圆束计算机断层扫描 (CBCT) 扫描中对病变进行细分方面表现出色. 这种人工智能方法可以提高病变检测的准确性,即使训练数据有限.
科学领域:
- 牙科 牙科是指牙科的专业.
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 圆束计算机断层扫描 (CBCT) 对于检测下病变至关重要,但解释是具有挑战性和耗时的.
- 在CBCT细分中的人工智能 (AI) 可以提高病变检测的准确性.
- 一致的自动化病变检测是很困难的,特别是有限的训练数据.
研究的目的:
- 评估预训练的基于变压器的架构对CBCT卷的语义细分的有效性.
- 评估这些模型在周周病变检测中的应用.
主要方法:
- CBCT卷 (n=138) 标有标签,包括"损伤"",修复材料"",骨"",牙结构"和"背景".
- 使用注释CBCT的子集进行U-Net和Swin-UNETR模型 (预训练和从零开始) 的训练.
- 使用Sørensen-Dice系数 (DICE) 进行细分和灵敏度/特异性的损伤检测,以不同的训练样本大小 (20,40,60,103) 来评估性能.
主要成果:
- 预训练的Swin-UNETR模型在所有标签上都获得了高的DICE分数,包括103个样本的"损伤"0.8512.
- 在用103张和60张图像训练的模型之间,损伤检测性能在统计学上仍然相似,使用60张图像的灵敏度为1.00和特异性为0.94.
- 预训练的Swin-UNETR在细分和病变检测特异性方面表现优于Swin-UNETR-SCRATCH和U-Net,尤其是在有限的训练数据的情况下.
结论:
- 基于变压器的Swin-UNETR架构显示出出色的语义细分和周边损伤检测能力.
- 使用预训练模型为传统的U-Net架构提供了可行的替代方案,需要更小的训练数据集来进行有效的CBCT分析.
