基于深度学习,在全景放射图上检测受影响的牙
He Zhicheng1, Wang Yipeng2, Li Xiao1
1School of Computer and Information Technology, Beijing Jiaotong University, Beijing, PR China.
Biomedical engineering and computational biology
|October 7, 2024
概括
这项研究改进了MedSAM模型,用于在全景放射学中使用X射线图像检测受冲击的牙. 改进后的模型通过提高牙细分的准确性来帮助牙科诊断.
科学领域:
- 医疗成像医学成像
- 人工智能在牙科中的应用
背景情况:
- 受影响的牙是一种常见的牙科问题,需要进行放射性诊断.
- 早期检测受损牙对于预防并发症至关重要.
研究的目的:
- 改进预训练的MedSAM模型,以便在全景放射学中准确地细分受冲击的牙.
- 加强对受损牙的自动检测,以改善牙科诊断.
主要方法:
- 修改了SegmentAnything Model (SAM) 用于使用1016张X射线图像进行单个牙细分.
- 训练了增强的SAM模型,专注于牙中心检测,以提高准确性.
- 为了培训,验证和测试,利用了16:3:1的数据集分割.
主要成果:
- 在测试套件上获得了86.73%的准确性.
- 获得了SAM相关模型的F1分数为0.5350和IOU为0.3652.
- 证明了微调MedSAM对受影响牙细分的有效性.
结论:
- 微调的MedSAM有望帮助牙医诊断受损牙.
- 为了提高诊断能力,需要进一步改进模型.
- 冲击牙的自动细分可以支持临床决策.


