一个半监督的基于变压器的深度学习框架,用于全景射线图上的自动牙细分和识别
Jing Hao1, Lun M Wong2, Zhiyi Shan3
1Applied Oral Sciences and Community Dental Care, Faculty of Dentistry, The University of Hong Kong, Hong Kong SAR, China.
Diagnostics (Basel, Switzerland)
|September 14, 2024
概括
一个新的AI框架SemiTNet显著改善了牙X射线上的自动牙细分和识别,特别是在部分无牙患者中. 它还引入了一个大型的开源数据集 (TSI15k) 用于基准测试.
科学领域:
- 人工智能在牙科中的应用
- 医学成像分析 医学成像分析
- 深度学习架构 深度学习架构
背景情况:
- 自动牙细分和识别对于数字牙科工作流程至关重要.
- 当前的深度学习模型在部分无牙的个体中难以准确.
- 需要强大的方法和标准化的数据集来进行牙科图像分析.
研究的目的:
- 引入SemiTNet,一个基于变压器的新型半监督框架,用于增强牙细分和识别.
- 具体解决部分无牙的情况下的性能限制.
- 建立开源的TSI15k数据集,作为牙科放射学研究的统一基准.
主要方法:
- 使用半监督学习方法开发SemiTNet,并以标签为指导的教师-学生知识蒸.
- 利用基于变压器的架构来改进功能提取.
- 在大规模的TSI15k数据集上进行培训和验证,包括16,317张全景射线图 (1589张有标签,14728张没有标签).
主要成果:
- 与五个最先进的网络相比,SemiTNet在牙细分和识别方面取得了更高的性能.
- 对于完全牙的个体,准确度接近完美 (超过99.69%),对于部分牙的个体,准确度极好 (超过93%).
- 对于没有牙的病例来说,在最小的模型大小下,牙识别的统计学上显著的改进.
结论:
- SemiTNet 显示出高效率,优于现有的复杂模型,特别是在具有挑战性的部分无牙病例中.
- 开发的SemiTNet框架为自动化牙科图像分析提供了强大的解决方案.
- 开源的TSI15k数据集为推进牙科放射学研究提供了宝贵的资源.
