一个人工智能机制用于检测CBCT图像上的囊性病变,使用深度学习
Rasool Esmaeilyfard1, Nasim Esmaeeli2, Maryam Paknahad3
1Department of Computer Engineering and Information Technology, Shiraz University of Technology, Shiraz, Iran.
Journal of stomatology, oral and maxillofacial surgery
|November 17, 2024
概括
这项研究开发了一种人工智能驱动的深度学习算法,可以在CBCT扫描上准确地检测和分类牙和腹膜囊,达到90%以上的准确性. 人工智能机制在改善牙科成像诊断效率方面非常有前途.
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:
- 中的囊性病变,如牙状囊 (DC) 和周围囊 (PC),需要准确的检测和分类.
- 圆束计算机断层扫描 (CBCT) 是诊断这些病变的关键成像方式.
- 目前的诊断方法可能耗时,可能会受益于人工智能驱动的协助.
研究的目的:
- 开发和评估一种人工智能 (AI) 机制,用于在CBCT扫描上检测和分类囊性病变.
- 评估深度学习模型在区分牙状囊,周围囊和正常部解剖学方面的效率.
主要方法:
- 采用了150个CBCT扫描 (50个健康,50个DC,50个PC) 的数据集,通过放射和组织病理学诊断得到证实.
- 在全景和轴向CBCT图像上训练了一个深度卷积神经网络 (CNN),使用数据增强来提高性能.
- 使用精度,回忆,F1得分,平均精度,灵敏度,特异性和准确度等指标来评估性能.
主要成果:
- 在数据增强后,人工智能模型在检测囊方面取得了高性能,平均平均精度,回忆和F1分数超过0.93.
- 牙状囊的分类表现显示96.4%的灵敏度和97.3%的准确度,而周围囊达到89.6%的灵敏度和98.1%的准确度.
- 该模型在识别没有病变的扫描中表现出色,具有100%的灵敏度和99.4%的准确性.
结论:
- 开发的基于深度学习的CNN算法表现出高准确度,灵敏度和精度 (超过90%),用于检测和分类牙和腹膜囊.
- 使用数据增强显著提高了AI模型在识别和分类CBCT图像上的囊性病变的性能.
- 这种人工智能工具有可能提高牙科放射学中囊性病变检测的诊断准确性和效率.
