通过磁共振成像和卷积神经网络自动分类关节疾病
Ting-Yi Su1, Jacky Chung-Hao Wu1, Wen-Chi Chiu2,3,4
1Institute of Statistics, National Yang Ming Chiao Tung University, Hsinchu City, Taiwan.
Journal of dental sciences
|January 28, 2025
概括
这项研究使用深度学习来从MRI扫描中对关节 (TMJ) 疾病严重程度进行分类,达到84.73%的准确性. 这种人工智能方法可以加快诊断速度,并改善对关节疾病的患者护理.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 生物医学工程 生物医学工程
背景情况:
- 关节 (TMJ) 疾病的诊断依赖于分析MRI扫描.
- 准确的分类和严重程度评估对于有效的患者管理至关重要.
- 当前的诊断方法可能耗时,需要专门的专业知识.
研究的目的:
- 开发和评估一个深度学习模型来分类TMJ疾病的严重程度.
- 为了自动识别和分析TMJMRI中的关键特征.
- 为了提高TMJ障碍诊断的效率和准确性.
主要方法:
- 利用了口腔和面外科的MRI数据.
- 雇佣你只看一次 (YOLO) 深度学习用于关节盘软骨的识别和裁剪.
- 使用HSV颜色空间和线性差异分析进行特征提取的图像处理.
主要成果:
- 开发了一个卷积神经网络 (CNN),对关节疾病的严重程度有六个类别.
- 实现了84.73%的预测准确度,用于分类TMJ疾病阶段.
- 使用YOLO和HSV颜色空间从关节盘软骨中提取有效的特征.
结论:
- 开发的AI模型显示了显著减少临床成像诊断时间的潜力.
- 自动化TMJ障碍的识别可以帮助临床专家,并提高患者的护理.
- 这种方法为客观和高效的关节疾病评估提供了一个有前途的工具.
