基于更快的R-CNN和YOLOv8的近牙X射线图中,人工智能识别多个超级牙
Jiajia Zheng1, Hong Li1, Quan Wen1
1Doctor and Researcher, First Clinical Division, Peking University School and Hospital of Stomatology & National Center for Stomatology & National Clinical Research Center for Oral Diseases & National Engineering Research Center of Oral Biomaterials and Digital Medical Devices, 37A Xishiku Street, Xicheng District, Beijing, 100034, PR China.
Journal of stomatology, oral and maxillofacial surgery
|February 20, 2025
概括
自动化系统YOLOv8和更快的R-CNN在牙科X射线上检测多余的牙的准确性很高,超过了人类牙医. 这些人工智能工具可以帮助诊断,特别是在服务不足的地区.
科学领域:
- 牙科 牙科是指牙科的专业.
- 人工智能的人工智能
- 放射学 放射学是一门学科.
背景情况:
- 过多的牙 (ST) 可以导致各种牙科并发症.
- 准确地检测ST在周围的X射线图上对于及时干预至关重要.
- 目前的检测方法依赖于人类的解释,这可能耗时且容易出现错误.
研究的目的:
- 为了比较自动超数牙检测系统 (Faster R-CNN和YOLOv8) 与牙科住院医生的诊断准确度.
- 评估人工智能模型在周周放射图上识别ST方面的表现.
主要方法:
- 一项诊断准确性研究,使用469张周围腹部放射图.
- 快速R-CNN,YOLOv8和8名牙科住院医生之间的检测性能比较.
- 评估指标包括精度,回忆和交叉与联合 (IoU).
主要成果:
- YOLOv8实现了0.99的精度和0.97的平均精度,超过了快速的R-CNN (精度0.95,平均精度0.90).
- 这两种人工智能系统的诊断性能明显高于人类牙科住院医生.
- YOLOv8和Faster R-CNN之间的精度和平均精度的差异在统计学上是显著的 (P<0.05).
结论:
- YOLOv8和更快的R-CNN对于在周围放射图中自动检测多数牙非常有效.
- 由人工智能驱动的系统显示出协助牙科专业人员的潜力,特别是在资源有限的环境中.
- 这些先进的AI工具可以提高ST诊断的效率和准确性.
