基于智能手机的口腔损伤图像细分使用深度学习
Tapabrat Thakuria1,2, Lipi B Mahanta3,4, Sanjib Kumar Khataniar5
1Mathematical and Computational Science Laboratory, Physical Science Division, Institute of Advanced Study in Science and Technology (IASST), Paschim Boragaon, Garchuk, Guwahati, 781035, Assam, India.
Journal of imaging informatics in medicine
|March 3, 2025
概括
一个新的深度学习模型,OralSegNet,准确地从智能手机图像中对口腔病变进行细分,以早期检测疾病. 这种具有成本效益的解决方案提高了诊断的准确性,特别是在服务不足的地区.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 计算生物学 计算生物学
背景情况:
- 早期发现口腔疾病对于改善患者的治疗结果至关重要.
- 精确的口腔病变细分有助于临床医生,并增强深度学习 (DL) 诊断模型.
- 基于智能手机的成像为可访问的口腔疾病查提供了潜在的途径.
研究的目的:
- 开发一种深度学习 (DL) 解决方案,用于从智能手机拍摄的图像中对口腔病变进行细分.
- 设计和评估一种基于UNet的新型模型,OralSegNet,以提高细分精度.
- 为早期口腔疾病诊断提供一个具有成本效益和非侵入性的工具.
主要方法:
- 一个基于UNet的新型模型,OralSegNet,是使用EfficientNetV2L作为编码器设计的,它结合了Atrous空间金字塔聚合 (ASPP) 和剩余块.
- 采用了538张口腔病变图像的数据集,进行了预处理,将大小改为256x256像素,并增强了强度.
- 模型的性能被评估使用子系数和交叉与欧盟 (IoU) 在验证和测试集上的分数.
主要成果:
- 口腔SegNet实现了高性能与0.9530 (验证) 和0.8518 (测试) 的子系数,和0.9104 (验证) 和0.7550 (测试) 的IOU分数.
- 该模型的表现优于传统和最先进的细分模型.
- 尽管参数数量有限,但OralSegNet的计算效率是最低的FLOPS (34.30 GFLOPS).
结论:
- OralSegNet提供了基于深度学习的准确有效的解决方案,用于从智能手机图像中对口腔病变进行细分.
- 该模型的性能和成本效益使其成为临床医生的宝贵工具,促进早期诊断.
- 这项技术有可能提高口腔疾病诊断的可访问性,特别是在农村或资源有限的环境中.
