CDSNet:一种基于深度学习的自动化方法,用于评估横向脑图中的各种解剖区域的生长阶段,基于深度学习
Yuchen Zhang1, Zhen Lu2, Jianglin Zhou2
1Key Laboratory of Shaanxi Province for Craniofacial Precision Medicine Research, College of Stomatology, Xi'an Jiaotong University, Xi'an, China; School of Computer Science and Technology, Xi'an Jiaotong University, Xi'an, Shaanxi, China.
Journal of the World federation of orthodontists
|November 22, 2024
概括
一个新的深度学习模型,CDSNet,使用椎椎,牙和额头鼻数据准确评估正牙生长阶段. 这种可解释的人工智能改进了传统方法,以提高诊断效率.
科学领域:
- ортодонтика和面发育研究.
- 医疗诊断中的人工智能.
- 放射分析和图像解释.
背景情况:
- 椎成熟度 (CVM) 是评估成长阶段的标准,但可能不准确.
- 准确的成长阶段评估对于有效的正牙治疗计划至关重要.
- 现有的方法可能无法完全捕捉面生长的细微差别.
研究的目的:
- 引入CDSNet,一个可解释的深度学习模型用于成长阶段评估.
- 用横向脑图来评估CDSNet的性能,包括椎,牙和额头鼻.
- 将CDSNet的准确性与传统的CVM和现有的深度学习方法进行比较.
主要方法:
- 牙医对1732张横向脑电图和手腕X射线图的数据集进行了注释.
- CDSNet是作为一个可解释的深度学习模型而开发的.
- 绩效基准包括椎成熟 (CVM) 和后勤回归.
主要成果:
- 在增长冲刺评估中,CDSNet获得了高准确度 (90.99%),精确度 (89.98%),回忆 (92.50%) 和F-1评分 (91.22%).
- 与CVM (高达30.26%) 和基于椎的深度学习方法 (高达14.14%) 相比,观察到显著的改善.
- 该模型的可解释模块证实了椎椎,牙和额头鼻的贡献.
结论:
- CDSNet帮助临床医生确定患者的成长阶段,特别是在模两可的情况下.
- 可解释的深度学习有效地分析了面生长表现.
- 在横向脑图上整合多个特征,可以提高牙矯正师的诊断效率.
