一个基于深度学习的新管道架构,用于在全景放射图上检测纸石
Ceyda Gürhan1, Hasan Yiğit2, Selim Yılmaz2
1Department of Oral and Maxillofacial Radiology, Faculty of Dentistry, Muğla Sıtkı Koçman University, Muğla, 4800, Turkey. cydgrhn@gmail.com.
Oral radiology
|January 13, 2025
概括
这项研究引入了一种新的深度学习管道,用于在全景X射线上检测纸石. 人工智能模型实现了高精度,帮助牙科专业人员识别这些化.
科学领域:
- 牙科 牙科是指牙科的专业.
- 放射学 放射学是一门学科.
- 人工智能的人工智能
背景情况:
- 纸石是牙纸组织内的异位化.
- 精确检测脉结石对于诊断和治疗规划至关重要.
- 当前的检测方法可能是劳动密集型的,容易出现错误.
研究的目的:
- 开发和评估一种基于深度学习的新双阶段管道架构,用于在全景放射图像上检测纸石.
- 为了应对医学图像分析中有限的注释数据的挑战.
主要方法:
- 实施了两阶段的深度学习方法,利用YOLOv8进行牙本地化和ResNeXt进行纸石分类.
- 这项研究分析了375张全景放射图像.
- 使用准确性,精度,回忆,F1得分,假阴性率和假阳性率等指标严格评估性能.
主要成果:
- 拟议的深度学习管道实现了高性能指标,包括95.4%的准确性,97.1%的精度和96.6%的F1分数.
- 与现有的纸石检测方法相比,该系统表现出优异的性能.
- 尽管有限量的注释训练数据,但该模型的性能仍然很好.
结论:
- 本研究介绍了使用深度学习在全景图像上检测纸石的第一个管道架构.
- 开发的系统提供了一个实用的解决方案,用于自动检测脉化,特别有利于牙科学生和新执业者.
- 该方法验证了使用有限的数据用于牙科放射分析的深度学习的可行性.
