通过使用图像处理和自我监督学习来提高CBCT图像中的牙损伤分类
Luiz Guilherme Kasputis Zanini1, Izabel Regina Fischer Rubira-Bullen2, Fátima de Lourdes Dos Santos Nunes3
1Polytechnic School University of São Paulo, Av. Prof. Luciano Gualberto, 158 - Butantã, São Paulo, 05089030, São Paulo, Brazil.
Computers in biology and medicine
|October 8, 2024
概括
自主监督学习 (SSL) 增强了用圆束计算机断层扫描 (CBCT) 图像对牙的分类. 这种方法通过利用未标记的CBCT扫描来提高诊断准确性,特别是当标记数据有限时.
科学领域:
- 牙科 牙科是指牙科的专业.
- 人工智能的人工智能
- 医疗成像医学成像
背景情况:
- 诊断牙损伤是具有挑战性的,需要精确和早期检测才能有效管理.
- 有限的注释医学图像阻碍了准确的诊断模型的开发.
- 圆束计算机断层扫描 (CBCT) 提供了对牙科诊断至关重要的详细3D成像.
研究的目的:
- 用自主监督学习 (SSL) 任务改进CBCT图像中的牙的分类.
- 调查SSL在利用未标记数据以提高模型性能方面的有效性.
- 确定最佳的图像处理技术,深度学习架构和SSL方法用于虫检测.
主要方法:
- 开发了一个用于从CBCT考试中提取未标记数据的管道.
- 雇佣各种自主监督学习 (SSL) 任务进行模型培训.
- 集成的图像处理技术与SSL任务.
- 评估了不同的深度学习架构 (例如ResNet-18) 和SSL方法 (例如SimCLR).
主要成果:
- ResNet-18与SimCLR SSL任务相结合,实现了F1平均得分宏为88.42%,精度宏为90.44%,灵敏度宏为86.67%.
- 与仅在深度学习架构上训练的模型相比,SSL模型的F1分数增加了5.5%.
- 该研究探讨了未标记数据集大小的影响以及未标记数据的必要性.
结论:
- 自主监督学习 (SSL) 显著提高了CBCT图像中牙损伤分类的准确性和效率.
- SSL有效地解决了牙科中有限的注释医疗数据的挑战.
- 这些发现支持SSL的整合,以提高牙科成像诊断能力.
