DeepLabv3 + 方法用于检测和细分全景射线图上的顶端病变

科学领域:

• 人工智能的人工智能
• 医疗成像医学成像
• 计算机视觉 计算机视觉

背景情况:

• 牙周炎的诊断依赖于放射学解释.
• 精确的角质病变细分对于有效的治疗计划至关重要.
• 深度学习模型为牙科放射图的自动化分析提供了潜力.

研究的目的:

• 评估和比较DeepLabv3+模型与U-Net模型的性能,以检测和细分全景X射线图中的尖端病变.
• 评估最先进的深度语义细分模型在牙科成像中的有效性.

主要方法:

• 一个数据集由260个全景图像和角病变组成,并被整理并分为训练和测试集.
• 经验丰富的牙科放射科医生手动对顶病变进行了注释.
• 使用Python和TensorFlow实现了DeepLabv3+模型,并与U-Net模型进行了比较.

主要成果:

• 与U-Net.Net相比,DeepLabv3+实现了显著更高的AUC (29.96%) 和回忆 (61.06%).
• 与DeepLabv3+相比,U-Net表现出更高的精度 (69.17%) 和F1得分 (25.55%) 超过了DeepLabv3+.
• 这两种模型之间的IoU结果在统计学上并不显著.

结论:

• 根据AUC和回忆指标,DeepLabv3+在检测尖端病变方面比U-Net具有显著的优势.
• DeepLabv3+模型具有提高牙科诊断,治疗计划和牙科实践效率的潜力.
• 我们鼓励对DeepLabv3+模型进行进一步的研究和改进,以检测顶尖病变.