最佳培训 积极的样本大小确定深度学习与CBCT的验证图像痕识别认可
Yanlin Wang1, Gang Li1, Xinyue Zhang1
1National Center for Stomatology & National Clinical Research Center for Oral Diseases & National Engineering Research Center of Oral Biomaterials and Digital Medical Device & Beijing Key Laboratory of Digital Stomatology & NHC Key Laboratory of Digital Stomatology, Department of Oral and Maxillofacial Radiology, Peking University School and Hospital of Stomatology, Beijing 100080, China.
Diagnostics (Basel, Switzerland)
|September 28, 2024
概括
确定最佳的牙数量对于深度学习训练至关重要. 使用单臂客观性能标准 (OPC) 的新方法预测了这个样本大小,提高了虫识别的准确性.
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
- 机器学习用于诊断.
背景情况:
- 深度学习模型培训需要平衡样本大小,资源和时间.
- 在牙科成像中精确检测牙损伤对于诊断和治疗计划至关重要.
研究的目的:
- 提出和验证一种方法来确定最佳的积极样本大小,用于训练谷识别的深度学习模型.
- 评估深度学习模型的性能与牙科放射科医生对比,用于检测从圆束计算机断层扫描 (CBCT) 图像中的.
主要方法:
- 应用单臂客观绩效标准 (OPC) 与指定的灵敏度值来计算最佳训练集大小.
- 在CBCT图像上训练并验证了U-Net,YOLOv5n和CariesDetectNet模型,其中包含不同数量的牙.
- 评估模型性能,并使用独立数据集与两个牙科放射科医生进行比较.
主要成果:
- 在训练组中大约有250颗牙,可以达到最佳的模型性能.
- 通过高精度 (0.9929),灵敏度 (0.9307),特异性 (0.9989),F1-Score (0.9590) 和子相似性 (0.9435),U-Net实现了卓越的性能.
- 深度学习模型在虫识别方面表现出比牙科放射学家更高的准确性.
结论:
- 在CBCT图像上训练深度学习模型的积极样本大小可预测.
- 单臂客观性能标准 (OPC) 提供了一种可靠的方法来计算最佳样本大小,提高诊断准确性.
