一种层次的深度学习方法,用于通过圆束计算机断层扫描来诊断受影响的犬类诱导根吸收
Zeynab Pirayesh1,2, Hossein Mohammad-Rahimi1,3, Saeed Reza Motamedian1,4,5
1Topic Group Dental Diagnostics and Digital Dentistry, ITU/WHO Focus Group AI on Health, Berlin, Germany.
BMC oral health
|August 23, 2024
概括
深度学习模型使用形束计算断层扫描 (CBCT) 图像准确地诊断狗诱导的根吸收 (CIRR). 这种自动化方法提高了CIRR的诊断准确性,有助于早期检测和治疗计划.
科学领域:
- 牙科和口腔卫生 牙科和口腔卫生
- 医疗成像医学成像
- 人工智能在医学中的应用
背景情况:
- 狗诱导的根再吸收 (CIRR) 是一种与受影响的狗相关的疾病.
- 与传统放射学相比,形束计算断层扫描 (CBCT) 对CIRR提供了更高的诊断准确性 (AUC 0.95与0.49-0.57).
- 准确诊断CIRR对于及时干预和预防进一步的牙科并发症至关重要.
研究的目的:
- 开发和评估深度学习模型,用于使用CBCT图像在上切口器中自动诊断CIRR.
- 为了比较不同深度学习策略的性能,包括基于细分的方法,用于CIRR检测.
- 评估数据效率高的深度学习方法在使用有限的CBCT数据提高诊断准确性的有效性.
主要方法:
- 使用50个CBCT扫描和176个大切口,由放射科医生手动细分和标记.
- 实施了五种深度学习策略:基线分类 (3D ResNet50),面具分类 (3D U-Net),细分-然后分类 (3D U-Net + 3D ResNet) 和转移学习变化.
- 使用mIoU和DSC评估分段;使用准确度,精度,回忆和F1分数评估分类性能.
主要成果:
- 细分模型实现了高性能,mIoU为0.641和DSC为0.901.
- 模型C (基于细分的分类) 和模型E (具有微调的转移学习) 显示出最佳性能,达到82%的准确性和0.62的F1分数.
- 这些深度学习方法的表现优于基线模型,强调了它们在有限的CBCT数据的有效性.
结论:
- 提出的深度学习方法有效地提高了CIRR诊断的分类准确性,特别是当对象体积和边界至关重要时.
- 层次和数据效率高的深度学习策略显示出牙科中自动化医学图像分析的前景.
- 建议在未来的研究中采用更大的样本大小来验证这些发现,并进一步完善医疗图像分类任务的方法.
