先进的深度学习技术用于识别牙科植入物
Veena Benakatti1, Ramesh P Nayakar1, Mallikarjun Anandhalli2
1Dept of Prosthodontics and Crown and Bridge, KAHER'S KLE VK Institute of Dental Sciences, Belagavi, Karnataka, India.
Journal of oral biology and craniofacial research
|February 26, 2025
概括
一个新的深度学习模型,DEtection TRanformer,显示出在X射线图中识别牙植入物的前景. 这种人工智能工具实现了高精度和回忆,帮助临床医生识别植入物.
科学领域:
- 生物医学工程 生物医学工程
- 人工智能在牙科中的应用
- 医学成像分析 医学成像分析
背景情况:
- 牙科植入物是缺失牙的首选假肢解决方案,但识别特定的植入品牌可能具有挑战性.
- 放射图目前是植入物识别的主要方法,这一过程复杂且耗时.
- 越来越多的牙科植入物品牌需要先进的识别技术.
研究的目的:
- 评估先进的深度学习技术DEtection TRanformer的有效性,用于在X光照中识别牙植入物.
- 评估人工智能在简化牙科专业人员植入物识别过程中的潜力.
- 确定DEtection TR变压器模型在分类不同类型的牙植入物中的性能指标.
主要方法:
- 一个基于变压器的深度学习模型,DEtection TRanformer,是使用牙科植入物放射图的数据集开发和训练的.
- 最初的数据集包括来自周围和全景视图的五种植入物类型的1138张图像.
- 图像增强将数据集大小增加到1744张图像,然后将其分为训练,验证和测试集.
主要成果:
- DEtection TR变压器模型实现了0.83的高整体精度和0.89.89的回忆得分.
- 0.82的F1得分显示了精度和回忆之间的稳健平衡.
- 该模型的性能进一步通过精度回忆曲线上的0.96的曲线下的面积 (AUC) 来验证.
结论:
- 该DEtection TRanformer模型显示出在X光图像中准确识别牙植入物的巨大潜力.
- 虽然在训练数据上观察到高性能,但在未见的数据上需要进一步优化以获得一致的结果.
- 未来的工作重点应该是平衡模型准确性和效率,以便在实时医学成像中实际应用.
