在使用最新的卷积神经网络ConvNeXt及其集成模型的围放射图中检测围病变
Jian Liu1,2, Xiaohua Liu3, Yu Shao4
1School of Stomatology, Shandong Second Medical University, Weifang, 261053, Shandong, China.
Scientific reports
|October 25, 2024
概括
一个新的深度学习模型,YoCNET (Yolov5 + ConvNeXt),在牙科放射图中准确地检测出多个牙周病变. 这种先进的AI工具提高了牙医的诊断效率,有助于更好地照顾患者.
科学领域:
- 人工智能在牙科中的应用
- 医学图像分析 医学图像分析
- 用于牙科诊断的深度学习
背景情况:
- 单一的分类模型难以同时识别多个周周病变.
- 准确检测周围病变对于及时进行牙科治疗至关重要.
研究的目的:
- 开发和评估YoCNET,一个新的集成深度学习模型,用于自动细分牙和同时检测多个牙周病变.
- 将YoCNET的性能与基线综合模型 (YoRNET) 的性能进行比较.
主要方法:
- YoCNET集成了Yolov5用于目标检测和ConvNeXt用于图像分类.
- 一个数据集的1,305 periapical X-射线图被用于培训和验证 (8:2分).
- 用准确度,精度,灵敏度,F1分数和曲线下面面积 (AUC) 来评估模型性能.
主要成果:
- YoCNET实现了高性能指标:准确率为90.93%,精度为98.88%,灵敏度为85.30%,F1得分为0.9159和AUC为0.9757.
- 在所有评估的指标中,YoCNET显著超过了YoRNET模型.
- 该模型在自动牙细分和周周病变检测方面都表现出高准确性和效率.
结论:
- YoCNET是一个优质的深度学习集成模型,用于临床应用在周围放射学.
- 该模型提供了增强的诊断性能,用于识别多个周病变.
- 在改善牙科诊断工作流程的准确性和效率方面,YoCNET显示出了前景.
