应用3D神经网络和可解释的人工智能来对下牙的ICDAS检测系统进行分类

科学领域:

• 牙科信息学 牙科信息学
• 人工智能在牙科中的应用
• 数字牙科数字牙科

背景情况:

• 腔准备方法显示出显著的差异.
• 腐烂程度对深度学习模型准确性的影响是未知的.

研究的目的:

• 根据ICDAS分类,分析不同从业者的3D腔室准备差异.
• 评估这些差异对深度学习模型预测准确性的影响.

主要方法:

• 两名操作人员在4个ICDAS级别的模拟牙上准备了56个腔.
• 使用3D扫描和CAD处理,分析表面积,体积和豪斯多夫距离.
• 一个3D卷积神经网络 (CNN) 预测了ICDAS类,并使用突出地图进行解释.

主要成果:

• 操作者腔的准备显示了最小的体积差异 (平均差异为0.13毫米).
• 发现空腔大小和操作人员熟练程度之间存在显著的相互作用.
• 3D CNN在ICDAS分类中获得了94.44%的准确率,在区分操作员方面达到66.67%.

结论:

• 观察到操作人员在空洞地板准备中的差异,主要是由于深度变化.
• 深度学习有效地从3D扫描中对腔深度进行了分类,显示了对准备质量和操作员技能差异的弹性.