图像处理分析和深度卷积神经网络的性能,用于在光可视化中对口腔癌进行分类
T Morikawa1, M Shingyouchi2, T Ariizumi2
1Department of Oral and Maxillofacial Surgery, Tokyo Dental College, Tokyo, Japan; Oral and Maxillofacial Surgery, Mitsuwadai General Hospital, Chiba, Japan.
International journal of oral and maxillofacial surgery
|December 13, 2024
概括
这项研究表明,图像分析和深度学习有效地使用光可视化检测口腔癌. 这些方法确定了光可视化损失 (FVL) 和其他因素,改善了早期口腔癌查.
科学领域:
- 口腔医学是指口腔医学.
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 早期发现口腔癌对于改善患者的治疗结果至关重要.
- 非侵入性光可视化为口腔粘膜检查提供了一个有前途的方法.
- 目前诊断口腔潜在恶性疾病 (OPMD) 和早期口腔癌的诊断方法存在局限性.
研究的目的:
- 评估图像处理和深 convolutional 神经网络 (DCNNs) 在分类口腔癌的有效性.
- 评估光可视化损失 (FVL) 和其他图像衍生参数的诊断性能.
- 用光成像来确定DCNN模型用于识别口腔病变的准确性.
主要方法:
- 一项前性研究,涉及1076名患有各种口腔粘膜疾病的患者.
- 使用非侵入性光可视化用于图像采集.
- 应用图像处理技术和多变量分析以确定关键检测因素.
- 开发和评估了用于自动图像分类的深度卷积神经网络 (DCNN).
主要成果:
- 在96.9%的口腔癌病例中观察到光可视化损失 (FVL).
- 图像处理确定了FVL,G值变化系数 (CV) 和G值比率 (VRatio) 作为口腔癌的重要指标.
- 该DCNN实现了高性能指标,包括98.0%的灵敏度和92.7%的特异性用于口腔癌的检测.
- 使用DCNN对所有病变的整体准确率为0.851.1.
结论:
- 图像处理分析与DCNN结合,通过光可视化检测口腔癌的高有效性.
- FVL,CV和VRatio是口腔癌查的有价值的定量标志物.
- 该DCNN模型显示了口腔粘膜病变的准确,自动分类的潜力,有助于早期诊断和管理.
