较快的R-CNN,YOLO和SSD在牙科全景X射线中用于第三角检测的比较

科学领域:

• 牙科放射学 牙科放射学
• 医学中的人工智能
• 用于医学成像的深度学习

背景情况:

• 人工智能 (AI) 算法在牙科中越来越重要,用于分析像全景X射线这样的传感器数据.
• 深度学习 (DL) 技术,特别是卷积神经网络 (CNN),显示出牙图像分析的重大前景,包括分类,检测和细分.
• 在数据质量,数量,类别可变性和对牙科诊断中的AI偏差分析方面仍然存在挑战.

研究的目的:

• 为了比较三种深度学习对象检测模型的性能:更快的R-CNN,YOLO V2和SSD.
• 用ResNet架构 (ResNet-18,ResNet-50,ResNet-101) 作为特征提取器来评估这些模型.
• 根据冬季的分类标准,在全景X射线中检测和分类第三角.

主要方法:

• 经过训练,校准,验证和测试的更快的R-CNN,YOLO V2和SSD对象检测架构.
• 使用ResNet-18,ResNet-50和ResNet-101作为特征提取CNN,根据数据集分布适度进行选择.
• 采用温特的分类标准,用644张全景X射线将第三角分为两角,垂直,半角和水平.

主要成果:

• 在测试数据集上达到高达99%的平均平均准确性.
• 与Faster R-CNN和SSD相比,YOLO V2在检测第三角方面表现出更高的有效性.
• 该研究成功地分类了四个不同的类别的第三角.

结论:

• 基于深度学习的物体检测模型,特别是CNN,为分析牙科应用中的全景放射图提供了有前途的解决方案.
• 通过YOLO V2实现的高精度突出了其提高诊断精度和有效识别第三角的潜力.
• 对AI和DL的进一步研究可以解决现有的挑战,并提高牙科的诊断能力.