混合CNN-变压器模型用于在全景放射图中准确检测受冲击的牙
Deniz Bora Küçük1, Andaç Imak2, Salih Taha Alperen Özçelik3
1Department of Software Engineering, Faculty of Engineering, Samsun University, 55000 Samsun, Turkey.
Diagnostics (Basel, Switzerland)
|February 13, 2025
概括
结合YOLO和RT-DETR的人工智能 (AI) 模型显著改善了牙科全景放射图中的受影响牙检测. 这种人工智能解决方案提高了诊断准确性和效率,减少了手动解释错误.
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:
- 数字成像,特别是全景放射,对于在牙科中检测受影响的牙至关重要.
- 手动解读这些X射线图是耗时且容易出现错误的.
- 需要自动化解决方案来提高受影响的牙检测的准确性和效率.
研究的目的:
- 开发和评估基于人工智能 (AI) 的模型,以在全景放射图中准确可靠地检测受影响的牙.
- 提高诊断准确性和牙科成像解释的效率.
主要方法:
- 开发了一个新的AI模型,集成YOLO (你只看一次) 和RT-DETR (实时检测变压器).
- 该模型使用加权方框融合 (WBF) 与参数调整的贝叶斯优化进行了优化.
- 对407张标记的全景放射图的数据集进行了性能评估.
主要成果:
- 人工智能模型实现了98.3%的平均精度 (mAP) 和96%的F1得分.
- 与单个模型和其他组合相比,拟议的模型表现出卓越的性能.
- 观察到增强的敏感性和最小的假阳性率,表明诊断的准确性很高.
结论:
- 该研究提出了一个可扩展和可靠的基于人工智能的解决方案,用于在全景放射图中检测受影响的牙.
- 人工智能模型为临床牙科的诊断准确性和效率提供了实质性的改进.
- 未来的工作重点是扩展数据集,以提高模型通用性.
