使用深度学习在全景射线图上检测状腺斑块

科学领域:

• 医疗成像中的人工智能
• 口腔和面放射学 口腔和面放射学
• 进行心血管疾病查.

背景情况:

• 全景射线图 (PRs) 偶尔会在3-15%的患者中检测出动脉化 (CAC).
• 牙科专业人员由于有限的培训,经常错过CAC诊断.
• 早期发现CAC对于管理动脉动脉样硬化至关重要.

研究的目的:

• 开发和验证人工智能 (AI) 模型,用于检测PRs上的CAC.
• 利用基于视觉变压器的AI方法来提高诊断准确度.
• 将AI模型的性能与现有的卷积神经网络 (CNN) 模型进行比较.

主要方法:

• 在6404个PR上使用Faster R-CNN和Swin Transformer训练了一个AI模型.
• 在 185 个带有 CAC 的 PR 和 185 个没有 CAC 的 PR 上手动注释 CAC.
• 使用精度,F1分数,回忆,AUC和AP评估模型性能,与基于CNN的AI进行比较.

主要成果:

• 更快的R-CNN和Swin变压器模型实现了高性能:精度为0.895,回调为0.881,F1得分为0.888,AUC为0.950,AP为0.942.
• 开发的AI模型显著超过了之前报道的基于CNN的AI方法.
• 该模型证明了PRs上的CAC的检测性能得到了改进.

结论:

• 这种新型的人工智能模型显示了对CAC在PRs上的增强检测能力.
• 将这种AI工具集成到牙科成像中可以帮助专业人员识别CAC.
• 这项技术有可能改善早期检测和临床管理动脉动脉样硬化.