深度卷积神经网络用于牙周骨损失严重程度的自动分期在咬翼放射图:一个 Eigen-CAM 可解释性映射方法
Mediha Erturk1, Muhammet Üsame Öziç2, Melek Tassoker1
1Department of Oral and Maxillofacial Radiology, Faculty of Dentistry, Necmettin Erbakan University, Konya, Turkey.
Journal of imaging informatics in medicine
|August 15, 2024
概括
这项研究成功地使用了咬翅膀图像的深度学习来自动阶段牙周骨损失. 人工智能模型实现了高精度,有助于诊断牙周炎的严重程度,以便更好地规划治疗.
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:
- 牙周病是全球口腔健康的一个主要问题.
- 精确的放射分期对于评估牙周炎的严重程度和指导治疗至关重要.
- 当前的方法可能是主观的,耗时的.
研究的目的:
- 开发和评估一种深度学习模型,用于使用咬翼放射图进行牙周骨损失的自动分期.
- 将骨损失分为四个阶段:健康,轻度,中度和严重.
主要方法:
- 使用了1752张咬翼图像的数据集.
- 图像被处理并分为四个牙周骨损失类别.
- 图像分类使用了YOLOv8深度学习模型.
- 在培训期间应用了五重交叉验证和转移学习.
主要成果:
- 深度学习模型实现了高性能指标.
- 测试结果显示准确率为83.45%,精度为81.74%,回忆率为80.88%,F1分数为81.09%.
- 与轻度和中度阶段相比,正常和严重的骨损失的分类准确性更高.
结论:
- 深度学习方法表明,对于准确和自动测定牙周骨损失的重大潜力.
- 这种人工智能驱动的方法可以帮助临床医生客观地评估牙周炎.
- 进一步细化可能会改善细微骨质损失阶段的分类.
