深度学习算法用于检测根通道中的破碎仪器
Ekin Deniz Çatmabacak1, İrem Çetinkaya2
1Department of Endodontics, Trakya University, Balkan Campus, Edirne, Turkey.
BMC oral health
|February 23, 2025
概括
在DenseNet201上,DenseNet201在检测骨折的内牙仪器 (FEI) 上表皮放射图上表现出卓越的性能. 这种深度学习模型显示了改善根管治疗结果的临床潜力.
科学领域:
- 牙科 牙科是指牙科的专业.
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 在周围放射图 (PA) 中识别破碎的内牙仪器 (FEI) 是关键的,但在根管治疗 (RCT) 中具有挑战性.
- 深度学习 (DL) 模型是一个潜在的解决方案,但缺乏比较性能分析.
研究的目的:
- 评估和比较五种深度学习模型的性能,以检测PA中的FEI.
- 确定最有效的DL模型用于FEI检测在牙周内科.
主要方法:
- 用于培训,验证和测试的数据集包括700个注释的PA (381个含FEI).
- 五个DL模型 (DenseNet201,EfficientNet B0,ResNet-18,VGG-19,MaxVit-T) 使用转移学习和数据增强进行了训练.
- 使用准确度,AUC和MCC评估性能,并通过弗里德曼测试进行统计分析.
主要成果:
- 在FEI检测中,DenseNet201获得了最高的AUC (0.900) 和MCC (0.810).
- ResNet-18显示出强的结果,而EfficientNet B0和VGG-19的表现中等.
- 马克斯维特-T显著表现不佳;统计分析表明模型之间存在显著差异 (p < 0.05).
结论:
- 丹森网201在精确的FEI检测方面具有显著的临床潜力.
- ResNet-18提供了准确性和计算效率的良好平衡.
- 模型-任务对齐和优化对于医学成像应用至关重要.
