两步深度学习模型用于检测和识别全景射线图上的牙科植入物制造商和类型
Yoshiko Ariji1, Kaoru Kusano2, Motoki Fukuda3
1Department of Oral Radiology, Osaka Dental University, 1-5-17, Otemae, Chuo-ku, Osaka, 540-0008, Japan. ariji-y@cc.osaka-dent.ac.jp.
Odontology
|August 28, 2024
概括
本研究介绍了两步深度学习模型,用于在全景射线图上自动检测和识别牙科植入物的制造商. 这些模型准确地分类了植入物类型,有助于牙科实践. 关键词:深度学习,牙科植入物,全景放射,人工智能.
科学领域:
- 人工智能的人工智能
- 生物医学成像技术 生物医学成像技术
- 牙科技术 牙科技术
背景情况:
- 全景射线图对于牙科植入物评估至关重要.
- 准确识别植入物制造商和类型对于治疗规划和维护至关重要.
- 目前用于植入物识别的手动方法可能耗时且容易出现错误.
研究的目的:
- 开发和验证两步深度学习模型,用于在全景放射图中自动检测牙部植入物区域.
- 使用人工智能识别特定的植入物制造商 (Kyocera,Dentsply Sirona,Straumann,Nobel Biocare) 的情况.
- 在每个制造商的产品线中对各种植入物类型进行分类.
主要方法:
- 使用了1574张全景放射图和3675个牙科植入物的数据集.
- 使用You Only Look Once (YOLO) v7开发的Model A用于植入物检测和制造商识别.
- 使用EfficientNet在剪切的图像补丁上开发了B模型,用于按制造商进行植入物类型分类.
主要成果:
- 模型A在植入物检测方面表现出高性能,回忆率为1.000,精度为0.979,F1得分为0.989.
- 制造商分类准确度,回忆,精度和F1分数均为0.98或更高.
- 模型B实现了对植入物类型的0.92以上的分类指标,在诺贝尔生物护理的"平行"类型中,有一个小的例外.
结论:
- 开发的两步深度学习模型有效地检测植入物区域,并从全景射线图中识别制造商.
- 这些模型在对每个制造商的植入物类型进行分类时显示出高精度,具有临床应用的潜力.
- 这种人工智能驱动的方法可以提高牙科植入物诊断和管理的效率和精度.
