基于人工智能的检测和编号牙科植入物在全景射线图上

科学领域:

• 放射学 放射学是一门学科.
• 人工智能的人工智能
• 牙科植入物学 牙科植入物学

背景情况:

• 全景放射图对于牙科植入物评估至关重要.
• 精确检测和编号牙科植入物对于治疗规划和监测至关重要.
• 目前用于植入物分析的方法可能耗时且容易出现人为错误.

研究的目的:

• 开发和评估基于人工智能的深度学习模型,用于在全景放射图中检测和编号牙植入物.
• 在精度,回忆和F1分数方面评估模型的性能,无论是植入物检测还是编号.
• 探索AI在改善牙科植入学临床决策支持方面的潜力.

主要方法:

• 使用了32585张全景射线图的回顾性数据集.
• 基于YOLOv8算法的两个深度学习模型被训练用于植入物区域分类和细分.
• 使用精度,回忆和F1得分指标来评估性能.

主要成果:

• 植入物细分模型实现了高F1得分,达到93.1%.
• 植入物编号任务表现出色,F1分数从0.917到0.966.6不等.
• 植入物最常见的是在尾后部地区被发现的.

结论:

• 开发的AI模型在全景放射图上检测和编号牙植入物时显示出高准确度.
• 这种人工智能技术有可能减少临床医生的工作量,并提高牙科植入学中的诊断精度.
• 建议对各种数据集进行进一步验证,以获得更广泛的临床适用性.