连锁网络的准确性,用于半监督的上鼻检测和鼻囊分类
Xueqi Guo1, Zelun Huang2, Jieying Huang1
1Department of Oral Implantology, School and Hospital of Stomatology, Guangdong Engineering Research Center of Oral Restoration and Reconstruction & Guangzhou Key Laboratory of Basic and Applied Research of Oral Regenerative Medicine, Guangzhou Medical University, Guangzhou, Guangdong, China.
Clinical implant dentistry and related research
|February 3, 2025
概括
一个新的深度学习管道准确地检测和分类从束计算机断层扫描 (CBCT) 的上鼻病变. 这种人工智能工具通过提高诊断精度,有助于为上鼻床升高进行手术规划.
科学领域:
- 口腔和面放射学 口腔和面放射学
- 人工智能在医学中的应用
- 医学成像分析 医学成像分析
背景情况:
- 大鼻粘膜囊很常见,需要准确的诊断以进行有效的手术规划,特别是对于大鼻床升高手术.
- 圆束计算机断层扫描 (CBCT) 是评估上鼻腔病理的一个关键成像模式.
研究的目的:
- 开发和评估深度学习 (DL) 管道,用于在CBCT图像中自动检测和分类上鼻病变.
- 为计划进行大鼻床升高手术的临床医生提供辅助诊断支持.
主要方法:
- 设计了一个级联DL网络,集成一个半监督的物体检测模块用于鼻区识别和一个用于损伤分类的分类模块.
- 对象检测模块使用了半监督的伪标签策略来增强训练数据集,而卷积神经网络 (CNN) 和变压器架构进行了分类比较.
- 使用准确度,精度,回忆,F1得分和平均精度来评估性能,并使用Grad-CAM进行可视化.
主要成果:
- 半监督检测模型实现了高精度 (0.9403).
- ResNet-50表现出卓越的分类性能,准确度为0.9836 (沙吉塔) 和0.9797 (冠状).
- 格拉德-CAM可视化证实,该模型专注于临床相关特征,以准确识别病变.
结论:
- 开发的DL管道提供了高精度检测和分类的上鼻膜病变.
- 这种自动化方法减少了对大量手动注释的需求,同时保持了诊断准确性.
- 管道作为一个有价值的工具,以支持临床决策口腔和面外科手术.
