预测从侧向轮照片的头度参数和骨模式:回归卷积神经网络回归的回顾性比较分析
Shota Ito1, Yuichi Mine2,3, Shiho Urabe2
1Department of Orthodontics and Craniofacial Developmental Biology, Graduate School of Biomedical and Health Sciences, Hiroshima University, Hiroshima 734-8553, Japan.
Journal of clinical medicine
|November 9, 2024
概括
一个新的深度学习系统可以从横向配置照片中预测头测量骨参数,为正牙治疗规划提供一种非侵入性查工具. 这种AI方法有助于在没有辐射暴露的情况下诊断缺陷和骨差异.
科学领域:
- 牙科 牙科是指牙科的专业.
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 头脑测量分析对于诊断面骨复杂问题和牙缺陷至关重要.
- 目前的方法通常需要专门的X射线,造成辐射暴露风险.
- 对于初步评估而言,一种非侵入性的替代方案是非常可取的.
研究的目的:
- 开发和评估一种深度学习系统,用于直接从侧面配置照片中预测头测量骨参数.
- 评估该系统作为患者激励和正牙治疗计划的初步工具的潜力.
- 探索卷积神经网络 (CNN) 用于定量头脑测量分析的使用.
主要方法:
- 从1600名受试者获取侧向配置照片和ANB角度测量.
- 使用1250张图像的训练数据集训练了七个回归CNN模型.
- 使用350张图像的测试数据集验证模型性能,评估R平方和平均绝对误差 (MAE).
主要成果:
- 在CNN模型中,R平方值达到0.69和0.73之间,MAE值从1.46到1.53.
- InceptionResNetV2模型表现出卓越的性能,预测ANB角度在1°范围内.
- 骨类预测准确度达到73.1% (宏平均F1得分),预测的71%在2度准确度范围内.
结论:
- 深度CNN模型可以准确地预测从横向形状照片的头尺度骨参数.
- 该系统显示出作为牙矯正中非侵入性,无辐射初步查工具的潜力.
- 这种由人工智能驱动的方法可以提高最初的正牙患者评估和工作流程的效率.
