一个双标签的数据集和融合模型,用于全景放射图上的自动牙细分,编号和状态评估

科学领域:

• 人工智能在牙科中的应用
• 对于医学成像的深度学习

背景情况:

• 深度学习应用在牙科诊断领域正在扩大.
• 全景射线图对于评估牙健康至关重要.

研究的目的:

• 开发一种自动化模型,用于对全景放射图的牙细分,编号和状态评估.
• 将这些功能整合到一个单一的,高效的系统中.

主要方法:

• 创建了一个全景放射图的双标签数据集.
• 开发了一个融合模型,将YOLOv9-e用于细分/编号和EfficientNetv2-l用于状态评估.
• 该模型整合了牙位置,编号和状态信息.

主要成果:

• 实例细分实现了高性能,mAP50为0.975.50.
• 牙分类表现出强大的准确性,F1得分为0.936.
• 该模型通过可视化和自动报告提供集成的结果.

结论:

• 这种融合模型代表了自动牙科细分,编号和状态评估的新整合.
• 该模型提供高度准确的诊断信息,增强牙科放射分析.
• 自动化报告生成和可视化简化临床工作流程.