精密药物用于apical损伤和peri-endo结合损伤基于转移学习使用periapical X-rays
Pei-Yi Wu1, Yi-Cheng Mao2, Yuan-Jin Lin3
1Department of General Dentistry, Taoyuan Chang Gung Memorial Hospital, Taoyuan City 32023, Taiwan.
Bioengineering (Basel, Switzerland)
|September 27, 2024
概括
这项研究引入了一种先进的图像增强技术与卷积神经网络 (CNN) 结合,用于早期检测牙顶部病变和周末结合病变. 该CNN模型实现了高准确性,改善了诊断和患者预后.
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:
- 牙上的病变和牙周病对牙的预后有很大的影响.
- 由于微妙的早期症状,对这些疾病的早期诊断具有挑战性.
- 延迟治疗可能导致症状扩散和并发症.
研究的目的:
- 开发和评估一种图像增强方法,用于检测牙上角病变.
- 为了比较卷积神经网络 (CNN) 与YOLOv8-面向边界盒 (YOLOv8-OBB) 的诊断性能.
- 为了准确地分类顶端病变,周末结合病变和无症状病例.
主要方法:
- 利用了来自长光纪念医疗中心的周周放射图 (PA) 数据库.
- 应用数据库增强和自适应直方图等级用于图像增强.
- 采用CNN模型 (ConvNeXtV2) 和YOLOv8-OBB用于病变检测和分类.
主要成果:
- 通过ConvNeXtV2模型实现了95.23%的全面验证准确性.
- 在识别顶端病变方面,CNN的表现优于YOLOv8 (F1-Score: 95.23%与92.45%对比).
- 在周末结合病变方面,CNN获得了更高的F1-Score (96.49%对比88.49%).
结论:
- 拟议的图像增强方法显著提高了基于CNN的牙病变检测的准确性.
- 在分类顶端和周末结合性病变方面,CNN模型表现优于YOLOv8-OBB.
- 这项技术有望更早,更准确地诊断复杂的牙科疾病.
