在使用YOLOv8的咬翼放射图片中使用先进的AI驱动检测近距离虫
Mahsa Bayati1, Behrouz Alizadeh Savareh2, Hojjat Ahmadinejad3
1Post Graduate Student, Department of Oral and Maxillofacial Radiology, Faculty of Dentistry, Tehran University of Medical Sciences, Tehran, Iran.
Scientific reports
|February 7, 2025
概括
使用YOLOv8的新人工智能模型显著改善了在X射线图中早期检测近接牙的情况. 这种先进的工具可以提高牙医的诊断准确性,减少错过诊断,改善患者的治疗结果.
科学领域:
- 牙科 牙科是指牙科的专业.
- 人工智能的人工智能
- 医疗成像医学成像
背景情况:
- 牙损是一种常见的慢性疾病,如果不及早发现,可能会造成严重后果.
- 目前的诊断方法,包括视觉触觉检查和放射学,存在影响准确性的变化.
- 不一致的诊断可能导致治疗延迟,患者的治疗结果更差.
研究的目的:
- 开发和评估基于深度学习的AI模型,用于增强近距离虫检测.
- 为了利用YOLOv8算法在分析咬翼放射图片时提高准确性.
- 为牙科专业人员提供可靠的工具,以克服传统诊断方法的局限性.
主要方法:
- 这是一项回顾性研究,涉及552张X射线图与1506张注释图像.
- 使用YOLOv8算法开发和训练一个深度学习模型.
- 使用精度,回忆和F1得分指标评估模型的性能.
主要成果:
- 通过YOLOv8模型,可以高精度地检测牙下 (96.03%) 和牙下 (80.06%).
- 模型的整体性能显示精度为84.83%,召回率为79.77%,F1得分为82.22%.
- 人工智能模型在尽量减少假阴性和提高诊断准确度方面被证明是可靠的.
结论:
- YOLOv8深度学习模型为检测近距离牙损伤提供了可靠的进步.
- 这种人工智能工具有可能显著提高牙科专业人员的诊断准确性.
- 实施这项技术可以导致更好的临床决策和改善患者预后.
