深度学习用于使用全景放射图进行牙周炎分期
Xin Li1, Kejia Chen2, Dan Zhao3
1School of Public Health, National Institute for Data Science in Health and Medicine, Capital Medical University, Beijing, China.
Oral diseases
|January 31, 2025
概括
这项研究开发了一种深度学习模型,用于有效诊断牙周炎. 该模型准确地检测到放射性骨损失 (RBL),并对其阶段进行分类,帮助临床决策.
科学领域:
- 人工智能在牙科中的应用
- 医学成像分析 医学成像分析
背景情况:
- 牙周炎的诊断依赖于放射性骨损失 (RBL) 的评估.
- 深度学习为自动化和提高诊断效率提供了潜力.
研究的目的:
- 开发和评估一个物体检测模型,用于在牙科放射图中自动注释解剖结构.
- 使用深度学习对放射性骨损失 (RBL) 的阶段进行分类.
主要方法:
- 558张全景放射图的数据集被处理成7359个单独的牙图像.
- 使用平均平均精度 (mAP) 和根平均平方误差 (RMSE) 测量了对象检测性能.
- 用准确度,精度,回忆,F1分数和ROC曲线下的面积 (AUC) 来评估分类性能.
主要成果:
- 对象检测模型实现了高性能,mAP值为0.88 (10像素宽容) 和0.99 (25像素宽容).
- 平均RMSE为7.30像素,表明精确的定位.
- 该分类模型显示整体准确率为0.72,AUC为0.79.
结论:
- 开发的深度学习模型可靠地帮助检测和分期放射性骨水平.
- 这种方法有望提高牙周炎诊断的效率和准确性.
