基于机器学习的全景放射特征用于检测下三根和下膜管接触管的下三根和下膜管接触管
A Canberk Ulusoy1, Tuğçe Toprak2, M Alper Selver3
1Department of Oral and Maxillofacial Radiology, School of Dentistry, Ege University, İzmir, Turkey.
Scientific reports
|February 5, 2025
概括
这项研究引入了一套新的数据集和机器学习模型,以预测下三和下膜通道之间的关系. 人工神经网络 (ANN) 在识别这些关键解剖联系方面表现出卓越的表现.
科学领域:
- 牙科成像和放射学.
- 医学的人工智能 (AI)
- 生物医学数据科学是生物医学数据科学.
背景情况:
- 精确评估下第三 (M3M) 与下膜通道 (IAC) 之间的关系,对于预防牙科手术期间的神经损伤至关重要.
- 目前的方法依赖于放射科医生的解释,这种解释可能是主观的,容易出错,特别是在复杂的情况下.
研究的目的:
- 开发和评估机器学习 (ML) 模型,以自动确定M3M和IAC之间的接触关系,使用全景放射 (PR) 图像.
- 引入一个新的,公开可访问的注释牙图像数据集,以促进该领域的研究.
主要方法:
- 创建一个具有语义注释的PR图像数据集,用于1,478名来自1,010名患者的IAC和M3M,包括具有挑战性的病例.
- 用数字图像处理作为ML模型的输入特征来提取M3M-IAC接触的放射性指示器.
- 对各种ML模型进行比较,包括人工神经网络 (ANN),卷积神经网络 (CNN) 和其他深度学习 (DL) 模型,用于M3M-IAC接触确定.
主要成果:
- 与放射学家和其他DL模型相比,ANN配置实现了更高的特异性 (82%),F1得分 (92%) 和精度 (85%).
- 对DL模型来说,ANN表现出相似的敏感性 (86%),并且在识别没有M3M-IAC接触的病例方面表现出色.
- 开发的模型在准确预测M3M-IAC接触方面表现出前景,在关键性能指标方面表现优于现有方法.
结论:
- 人工神经网络 (ANN) 在自动M3M-IAC接触确定方面非常有效,提供了更高的准确性和特异性.
- 该研究提供了有价值的注释数据集和ML工具,推动了AI在牙科放射学领域的发展.
- 未来的研究应该集中在M3M和IAC的自动细分上,以提高临床适用性.
