将超级分辨率与深度学习集成在一起,以在全景放射图中增强牙周骨损失细分
Vungsovanreach Kong1, Eun Young Lee2,3, Kyung Ah Kim4,5
1Department of Big Data, Chungbuk National University, Cheongju 28644, Republic of Korea.
Bioengineering (Basel, Switzerland)
|November 27, 2024
概括
这项研究增强了牙科成像,用于诊断牙周病. 超分辨率技术可以提高全景放射图的清晰度,从而更准确地检测骨损失.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 牙科 牙科是指牙科的专业.
背景情况:
- 牙周病的诊断依赖于对全景放射图的准确解释.
- 传统方法存在低分辨率和主观分析问题,影响诊断精度.
- 增强成像对于改善检测牙周骨损失 (PBL) 是至关重要的.
研究的目的:
- 将超分辨率生成对抗网络 (SRGANs) 与深度学习相结合,以改善牙科放射图的PBL细分.
- 为了提高低分辨率的全景放射图像成为高分辨率图像,以更好地可视化解剖细节.
- 评估基于SRGAN的图像增强在改善牙周骨损失细分精度方面的有效性.
主要方法:
- 利用超分辨率生成对抗网络 (SRGANs) 来升级低分辨率全景射线图.
- 在原生图像和增强图像上采用基于深度学习的语义细分模型 (U-Net架构).
- 验证了方法使用数据集从 Chungbuk 国家大学医院和Kaggle.
- 通过峰值信号噪声比率 (PSNR) 和结构相似度指数测量 (SSIM) 评估SRGAN性能.
主要成果:
- SRGAN实现了高保真度图像重建,PSNR为30.10dB,SSIM为0.878.8dB.
- 在增强图像上对PBL区域的细分显示出显著的改进:子相似系数 (DSC) 为0.91%,交叉点在联盟 (IoU) 为84.9%.
- 原生低分辨率图像产生较低的细分指标:DSC为0.72%,IOU为65.4%.
结论:
- 用SRGAN增强的成像显著提高了全景放射图上的牙周骨损失细分的准确性.
- 将SRGAN与深度学习集成为提高牙科成像诊断精度提供了一个有希望的方法.
- 建议进一步研究各种数据集和临床验证,以扩大超分辨率在医学诊断中的应用.
