基于深度学习的关节前盘位移的自动诊断及其临床应用
Yue Yu1, Shu Jun Wu1, Yao Min Zhu1
1Department of Oral & Maxillofacial Surgery, Shenzhen Stomatology Hospital, Affiliated to Shenzhen University, Shenzhen, Guangdong Province, China.
Frontiers in physiology
|December 30, 2024
概括
深度学习模型使用MRI扫描准确地检测到关节前盘位移 (TMJ ADD). 这种自动化系统提高了临床实践的诊断精度.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 矯正牙科 矯正牙科是一種矯正牙科.
背景情况:
- 关节前盘位移 (TMJ ADD) 是一种影响功能的常见疾病.
- 准确诊断TMJ ADD对于有效的治疗计划至关重要.
研究的目的:
- 开发一种基于深度学习的方法来解释TMJ ADD的MRI扫描.
- 创建一个用于临床应用的自动诊断系统.
主要方法:
- 四个深度学习模型 (ResNet101_vd框架) 在618个TMJMRI病例上接受了培训.
- 模型执行了感兴趣的区域识别,解剖细分和TMJ ADD分类.
- 性能在内部和外部使用不同的数据集进行了验证.
主要成果:
- 深度学习模型在分类TMJ ADD方面取得了高精度 (>92%) .
- 基于细分的模型在诊断指标上表现优于非细分模型.
- 尽管医院数据集之间的性能差异不同,但获得了令人满意的结果.
结论:
- 深度学习模型在检测TMJ ADD方面表现出高准确性和可解释性.
- 开发的系统可以集成到临床实践中,以提高诊断精度.
- 肌痛动脉核磁共振扫描的自动解释对患者护理具有重大潜力.
