对深度学习技术的评估,用于完全自动化的下细分
Ebru Yurdakurban1, Yağızalp Süküt2, Gökhan Serhat Duran3
1Department of Orthodontics, Faculty of Dentistry, Muğla Sıtkı Koçman University, Muğla, Turkey.
概括
一个开源的人工智能模型从CT扫描中准确地细分下,显示与手动细分的高度相似性. 该工具适合临床使用,使临床医生能够开发定制模型.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 放射学 放射学是指放射学
背景情况:
- 大细分对于牙和大面部诊断至关重要.
- 自动化细分可以提高临床工作流程的效率和一致性.
研究的目的:
- 为了评估开源,临床医生训练的自动下细分的卷积神经网络 (CNN) 模型的精度.
- 通过使用各种指标来评估模型的性能与手动细分相比.
主要方法:
- 55个圆束计算机断层扫描 (CBCT) 扫描用于培训和测试.
- MONAI标签工具促进了CNN模型的训练.
- 使用Dice相似系数,豪斯多夫距离,精度,回忆和体积/表面偏差分析来评估性能.
主要成果:
- 自动化模型实现了高的子相似系数 (0.926 ± 0.014).
- 与手动细分相比,平均精度和回忆值为0.941,表面和体积差异最小.
- 在表面或体积比较中没有发现统计学上显著的差异.
结论:
- 自动下细分模型是精确的,适合临床应用.
- 开源软件使临床医生能够开发定制的自动化细分解决方案.
