用视觉转换器进行全景射线图的孔隙参与分类的改进.
Xuan Zhang1, Enting Guo2, Xu Liu3
1Department of Periodontics, Affiliated Hospital of Medical School, Nanjing Stomatological Hospital, Research Institute of Stomatology, Nanjing University, Nanjing, China. zhxuan2015@163.com.
BMC oral health
|January 29, 2025
概括
视觉变压器 (ViT) 模型使用全景放射图准确地分类了牙中孔隙干涉 (FI). 这种深度学习方法超越了传统模型,为牙科诊断提供了一个潜在的低成本,低辐射的替代方案.
科学领域:
- 牙科 牙科是指牙科的专业.
- 人工智能的人工智能
- 医疗成像医学成像
背景情况:
- 裂参与 (FI) 影响牙预后和治疗,但由于解剖学变异,其评估是复杂的.
- 圆束计算断层扫描 (CBCT) 提高了FI的诊断准确性,但受到成本和辐射的限制.
- 开发FI的可访问的诊断工具对于有效的牙科治疗计划至关重要.
研究的目的:
- 评估视觉变压器 (ViT) 模型的性能,用于对全景射线图上分类孔隙干涉 (FI).
- 为了比较ViT模型对FI检测传统深度学习 (DL) 模型的有效性.
- 探索先进的人工智能方法,以使用标准放射成像来改善牙科疾病的诊断.
主要方法:
- 研究人员使用了来自506张全景放射图的1568张牙图像的数据集.
- 一个视觉变压器 (ViT) 模型被开发和评估以对FI进行分类.
- ViT模型的性能与多层感知器 (MLP),VGGNet和GoogLeNet模型进行了比较.
主要成果:
- ViT模型实现了卓越的性能,具有最高的精度 (0.98),回忆 (0.92),F1得分 (0.95) 和准确性 (92%).
- ViT在98%的曲线下面积 (AUC) 显示为最高,明显优于其他模型 (p < 0.05).
- 梯度加权类激活映射 (Grad-CAM) 分析证实了ViT专注于用于预测的相关图像区域.
结论:
- 深度学习算法,特别是ViT,可以有效地从全景射线图中分类分叉参与.
- 维特模型显示出有很大的潜力,可以超越传统的DL方法来推进牙图像分类.
- 这种人工智能驱动的方法可以减少患者的辐射暴露和成本,同时提高裂参与的诊断精度.
