深度学习模型的比较,以检测2D口内照片上的交叉点
Beatrice Noeldeke1, Stratos Vassis2, Mohammedreza Sefidroodi3
1Leibniz University of Hanover, Königsworther Platz 1, 30167, Hanover, Germany.
Head & face medicine
|September 2, 2024
概括
卷积神经网络 (CNN) 可以准确地检测牙照片中的交叉点. 在识别交叉咬合时,Xception获得了98.57%的准确性,有助于正牙诊断.
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:
- 牙医的经验有限,需要先进的诊断工具.
- 交叉咬伤检测和分类对于正牙治疗规划至关重要.
- 2D口腔内摄影提供了一个易于访问的数据来源进行分析.
研究的目的:
- 训练和比较六个卷积神经网络 (CNN) 模型用于交叉咬伤检测.
- 将口内图像分为非交叉咬伤,正面交叉咬伤和侧面交叉咬伤类别.
- 在这个诊断任务中评估不同CNN架构的性能.
主要方法:
- 六个CNN模型 (DenseNet,EfficientNet,MobileNet,ResNet18,ResNet50,Xception) 进行了培训. 这些模型包括:
- 这些模型使用来自311名正牙患者的676张口内照片的数据集进行训练.
- 基于对两个任务的分类准确性来评估性能:非交叉咬伤与交叉咬伤,以及非交叉咬伤与侧面交叉咬伤与正面交叉咬伤.
主要成果:
- Xception模型在分类非交叉咬伤与交叉咬伤图像方面取得了最高的准确性 (98.57%).
- 对于三类分类 (非交叉咬伤,侧面,正面) 的准确性下降.
- 在三类分类任务中,DenseNet表现出最高的准确性 (91.43%).
结论:
- 在正牙科中,CNN显示了分析临床照片的巨大潜力.
- 深度学习模型可以有效地帮助使用2D口内图像来诊断缺陷.
- 这项研究为应用人工智能在正牙诊断中提供了基础的见解.
