使用深度学习模型对延长型型态过程进行自动分类 - - 一种人工智能诊断
Anuradha Ganesan1, N Gautham Kumar2, Prabhu Manickam Natarajan3
1Department of Oral Medicine & Radiology, SRM Dental College, Bharathi Salai, Chennai, India.
Frontiers in oral health
|February 4, 2025
概括
深度学习模型准确地分类了延长型形过程 (ESP). EfficientNetB5获得了97.49%的准确性,优于InceptionV3,有助于诊断这种导致宫疼痛和头痛的疾病.
科学领域:
- 放射学和医学成像学 医学成像学
- 医疗保健中的人工智能
- 深度学习用于医学诊断
背景情况:
- 延长型形过程 (ESP) 可以引起宫疼痛,喉不适和头痛,可能导致严重的并发症.
- 传统的ESP分类方法受到图像质量和解剖学变异的限制,影响诊断准确性.
- 人工智能,特别是深度学习,为更有效的ESP分类提供了一个有希望的途径.
研究的目的:
- 开发使用深度学习的延长型类型过程 (ESP) 的自动分类系统.
- 评估和比较ESP分类的EfficientNetB5和InceptionV3架构的性能.
主要方法:
- 形形图 (OPG) 的回顾性分析来对ESP进行分类.
- 使用 ImageJ 来测量类型体的过程长度,并策划了 330 个延长和 120 个正常类型体图像的数据集.
- 使用中位过,大小调整,数据增强和深度学习模型 (EfficientNetB5,InceptionV3) 进行分类和绩效评估.
主要成果:
- EfficientNetB5实现了高性能,准确率为97.49%,精度为98.00%,回忆率为97.00%,F1得分为97.00% (AUC为0.9825).
- InceptionV3表现较差,准确率为84.11%,精度为85.00%,回忆率为84.00%,F1评分为84.00% (AUC为0.8943).
- 在所有评估的指标上,EfficientNetB5显著超过InceptionV3.
结论:
- 深度学习模型,特别是EfficientNetB5,可以根据全景射线图的形态特征准确地分类延长型型流程.
- 开发的模型提高了诊断准确性,并可以简化临床工作流程,以改善患者护理.
- 使用深度学习的ESP自动分类显示了在口腔放射学中推进诊断能力的潜力.


