使用CNN-LSTM架构对具有炎症性周周病变的全景放射图进行自动分类
Jonas Ver Berne1, Soroush Baseri Saadi2, Nicolly Oliveira-Santos3
1OMFS-IMPATH Research Group, Department of Imaging & Pathology, Catholic University Leuven, Belgium; Department of Oral & Maxillofacial Surgery, University Hospitals Leuven, Belgium.
Journal of dentistry
|March 18, 2025
概括
与经典方法相比,一种新的并行卷积神经网络和长期短期记忆 (CNN-LSTM) 架构显著改善了在牙科放射图中检测周周病变的性能.
科学领域:
- 放射学中的人工智能
- 对于医学成像的深度学习
- 图像分类算法 图像分类算法
背景情况:
- 卷积神经网络 (CNN) 和长期短期记忆 (LSTM) 网络在图像分类方面表现有前途.
- 在牙科诊断中,从全景放射图中准确分类周周病变是至关重要的.
研究的目的:
- 为了比较新的CNN-LSTM架构与经典的CNN,用于分类带有炎症周周损伤的全景放射图.
- 评估不同深度学习模型在检测周周病变方面的表现.
主要方法:
- 使用了356张周周病变放射和769个对照者的数据集.
- 建造了四种模型:经典CNN,经典LSTM,级联CNN-LSTM和并行CNN-LSTM.
- 使用灵敏度,特异性和接收器操作曲线 (AUC) 下的面积来评估性能.
主要成果:
- 平行CNN-LSTM架构实现了显著更高的灵敏度 (95%) 比经典的CNN (81%) 检测周周病变.
- 平行CNN-LSTM模型表现出最佳的整体性能,AUC为96%;经典CNN的AUC为90%.
- 麦克纳马的测试证实了平行CNN-LSTM和经典CNN之间的敏感度有显著差异.
结论:
- 平行CNN-LSTM架构优于经典的CNN,用于分类具有炎症周周损伤的全景放射图.
- 整合CNN和LSTM模型可以提高牙科放射图的分类准确性,用于检测周围病变.
