机器学习用于超声波牙周成像中的解剖学标志的自动识别
Baiyan Qi1, Lekshmi Sasi1, Suhel Khan1
1Aiiso Yufeng Li Family Department of Chemical and Nano Engineering, University of California San Diego, La Jolla, CA 92093, United States.
Dento maxillo facial radiology
|January 8, 2025
概括
这项研究引入了一种机器学习模型,用于从超声波图像中自动测量牙周. 人工智能准确地识别了关键地标,并测量了牙衰退,高度和骨水平,提高了诊断效率.
科学领域:
- 牙周病学 牙周病学
- 医疗成像医学成像
- 机器学习 机器学习
背景情况:
- 牙周病的诊断依赖于精确测量牙衰退 (iGR),牙高度 (iGH) 和膜骨水平 (iABL).
- 手动测量可能耗时,并且受观察者之间的变化影响.
- 超声波成像为牙周评估提供了一种非侵入性方法.
研究的目的:
- 开发和验证一种机器学习模型,用于在超声波牙周图像中自动识别地标.
- 使用开发的模型自动测量iGR,iGH和iABL.
主要方法:
- 一个U-Net卷积神经网络在184颗牙的1580个超声波上进行了训练和验证.
- 该模型预测了诸如牙边缘 (GM),水泥结 (CEJ) 和气囊骨脊 (ABC) 等地标.
- 通过将预测的地标和自动测量与单独的测试组上的手动注释进行比较来评估性能.
主要成果:
- 该模型实现了超过98%的准确性,用于GM,CEJ和ABC距离在200微米的手册注释内.
- 布兰德-阿尔特曼分析显示iGR,iGH和iABL测量的偏差很小,与基本真相相比.
- 该模型在未见的数据上展示了强大的概括性能,具有可接受的偏差和协议限制.
结论:
- 拟议的机器学习模型在识别牙周标志和自动化临床测量方面表现强.
- 这种人工智能驱动的方法有可能显著提高临床牙周诊断的效率和准确性.
- 自动化这些测量可以简化诊断工作流程,并支持更好的患者护理.
