基于转移学习和增强视力转换器变换器的中间部部成熟阶段的预测
Haomin Tang1, Shu Liu2, Weijie Tan3
1College of Medicine, Guizhou University, Guiyang, China.
BMC medical informatics and decision making
|August 22, 2024
概括
这项研究引入了一种增强的视觉转换器 (ViT) 模型,用于从形束计算机断层扫描 (CBCT) 图像中分类中部线成熟阶段,从而提高尾扩张治疗的诊断效率.
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:
- 大横向低成形需要大扩张,治疗决策取决于中侧 suture 成熟.
- 目前使用圆束计算机断层扫描 (CBCT) 图像的诊断是主观和低效的.
- 自动化中侧部 suture 成熟分类可以提高治疗规划的部扩张.
研究的目的:
- 开发和评估一个增强的视觉转换器 (ViT) 模型,用于自动分类中部部成熟阶段.
- 将增强的ViT模型与卷积神经网络 (CNN) 和临床医生的性能进行比较.
主要方法:
- 开发了一个利用转移学习的CNN增强的ViT模型,用于对CBCT图像进行分类.
- 一组2518张口腔平面CBCT图像的数据集被策划并分为训练,验证和测试集.
- 该模型在预处理的图像上进行了训练,并在测试组上评估了其概括能力.
主要成果:
- 拟议的ViT模型实现了95.75%的分类准确性,超过了最佳的CNN模型 (93.76%) 和临床医生的准确性 (89.10%).
- ViT模型表现出卓越的性能,宏观平均AUC为97.89%,微观平均AUC为98.36%.
- 增强的ViT模型有效地捕捉了CBCT图像中的长距离依赖性,以进行准确的分类.
结论:
- 通过CNN增强的ViT模型准确地从CBCT图像中分类了中部部成熟阶段.
- 该模型的性能超过临床医生,为正牙诊断提供了宝贵的工具.
- 这种自动化方法可以帮助正牙医做出更精确的治疗决策,以治疗扩张.
