深度学习与深度学习的比较 牙科植入科医生在基于圆束计算机断层扫描的骨质质量分类中进行了牙科植入
Thatphong Pornvoranant1, Wannakamon Panyarak2, Kittichai Wantanajittikul3
1Graduate School of Dentistry, Faculty of Dentistry, Chiang Mai University, Suthep Road, Suthep Sub-District, Mueang, Chiang Mai, 50200, Thailand.
Journal of imaging informatics in medicine
|November 18, 2024
概括
与人类专家相比,深度学习模型,特别是Inception-ResNet-v2,在评估牙科植入物规划的骨质方面表现出更高的准确性. 这种人工智能方法提供了一个更客观的评估骨类型从形束计算机断层扫描.
科学领域:
- 牙科 牙科是指牙科的专业.
- 放射学 放射学是一门学科.
- 人工智能的人工智能
背景情况:
- 准确的骨质量评估对于成功的牙科植入物手术至关重要,指导植入物选择和手术技术.
- 莱克霍姆和扎尔布 (L&Z) 的分类,虽然是标准的,但依赖于形束计算断层扫描 (CBCT) 图像的主观解释.
- 需要使用定量和客观的方法来提高骨质评估的可靠性.
研究的目的:
- 将深度学习 (DL) 模型的诊断性能与人类检查员进行比较,使用CBCT数据对骨质量进行分类.
- 评估Inception-ResNet-v2 DL模型对L&Z骨质质量分类的有效性.
- 通过人工智能驱动的骨评估,识别在术前植入物规划中的潜在改进.
主要方法:
- 使用了1100个CBCT截面切片的数据集,骨类型由口腔和面放射学家分类.
- 五个预先训练的DL模型在1000张图像上接受训练,其中100张保留用于测试.
- 性能最好的DL模型 (Inception-ResNet-v2) 与23名实习生和2名经验丰富的植入科医生进行了比较.
主要成果:
- 在骨质分类方面,Inception-ResNet-v2取得了最高的准确度 (86.00%).
- 在精度,回忆和F1分数方面,DL模型显著超过了人类评估者 (超过75%).
- 人类评估者,特别是初学者,在区分特定骨类型方面表现出困难 (例如,骨类型2回忆率低于50%).
结论:
- 与初学者植入物学家相比,Inception-ResNet-v2 DL模型在横截面骨质评估方面表现优越.
- 以人工智能为基础的骨质量评估充满希望,作为一种补充工具,可以提高手术前规划中的客观性和准确性.
- 进一步整合DL模型可以通过提供更可靠的骨质评价来完善植入式牙科实践.
