通过基于深度学习方法的人工智能算法分析数字全景放射图来检测固定牙假体下的牙损伤
Betül Ayhan1, Enes Ayan2, Saadet Atsü3
1Department of Prosthodontics, Faculty of Dentistry, Kırıkkale University, Kırıkkale, Türkiye. betars.mcf@gmail.com.
BMC oral health
|February 10, 2025
概括
深度学习模型,特别是您只看一次 (YOLO) 版本,在使用全景射线图 (panoramic radiographs) 的固定牙假体 (FDPs) 下检测牙,提高诊断准确度.
科学领域:
- 人工智能在牙科中的应用
- 医学成像分析 医学成像分析
- 深度学习应用程序
背景情况:
- 在固定牙假体 (FDPs) 下检测牙腐烂是具有挑战性的.
- 基于卷积神经网络 (CNN) 的你只看一次 (YOLO) 模型为分析牙科放射图提供了潜力.
- 人工智能 (AI) 可以帮助从业者通过放射图像来诊断.
研究的目的:
- 评估YOLO模型在FDP下面检测牙的有效性.
- 为此诊断任务评估YOLOv7和一个改进的YOLOv7 (YOLOv7+CBAM) 模型的性能.
- 确定 AI 驱动的全景射线图分析的潜力,以改进虫检测.
主要方法:
- 分析了1004名患者的全景放射图与FDPs.
- 图像被分为训练 (90%) 和测试 (10%) 数据集.
- YOLOv7用于初始的FDP检测,随后使用YOLOv7和YOLOv7+CBAM模型检测.
- 使用回忆,精度,F1和平均平均精度 (mAP) 评分来衡量性能.
主要成果:
- 在FDP检测方面,YOLOv7获得了很高的分数 (回忆率为0.947,精度为0.966,F1为0.956,mAP为0.968).
- 对于在FDP下检测,YOLOv7的回忆率为0.791,精度为0.837,F1为0.813,mAP为0.800.
- 改进的YOLOv7+CBAM模型显示了虫检测的增强性能 (回忆率0.827,精度0.834,F1 0.830,mAP 0.846).
结论:
- 深度学习模型显示了在FDP下检测牙损伤的巨大潜力.
- 用基于人工智能的系统分析的全景放射图可以促进准确和快速的诊断.
- 这项技术可以通过FDPs更好地保护牙.
