渐进式多任务学习用于CBCT图像中的细粒度牙植入物分类和细分
Yue Zhao1, Lanying Zhu2, Wendi Wang2
1School of Communications and Information Engineering, Chongqing University of Posts and Telecommunications, Chongqing, 400065, China; School of Mechanical Engineering, Zhejiang University, Zhejiang, 310058, China.
Computers in biology and medicine
|March 12, 2025
概括
一种新的深度学习方法,MFPT-Net,在CBCT扫描中准确地分类和细分牙科植入物,即使没有患者记录. 这种先进的计算机辅助诊断提高了植入物治疗的可靠性和临床效率.
科学领域:
- 口腔医学是指口腔医学.
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 数字技术正在将口腔医学转变为计算机辅助的诊断和治疗.
- 在没有先前记录的情况下识别牙科植入物是具有挑战性和耗时的.
- 准确的牙植入物识别对于治疗的成功和可靠性至关重要.
研究的目的:
- 提出一种深度学习方法,用于CBCT图像中的多任务细粒度分类和牙植入物的细分.
- 解决区分类似植入物特征和处理类内变异的挑战.
- 实现植入系统的自动和同步分类和细分.
主要方法:
- 开发了MFPT-Net,这是一个深度学习模型,使用渐进式训练与多级特征提取和增强.
- 利用了来自三个中心的437个CBCT序列和723个牙科植入物的数据集.
- 采用细粒度分类和细分技术来区分微妙的植入物特征.
主要成果:
- 获得了92.98%的准确性,93.15%的平均精度,93.31%的平均回忆率和93.18%的F1分数进行分类.
- 达到了98.04%的子相似系数对细分,超过了最先进的方法.
- 与252种植入物的外部验证证实了临床可行性和优越的性能,与现有模型相比.
结论:
- MFPT-Net在从CBCT图像中对牙植入物进行分类和细分方面表现出高准确性和效率.
- 该方法有助于牙医在植入物识别中,特别是当患者记录不可用时.
- 这种计算机辅助的方法提高了牙科植入物治疗的可靠性和精度.
