深度卷积神经网络用于早期检测使用咬翼放射的近距离:一个系统的审查
Soundar Ida Mahizha1, Joseph Annrose1, Jeyebalaji Mano Christaine Angelo2
1Department of Information Technology, St. Xavier's Catholic College of Engineering, Nagercoil, India.
Evidence-based dentistry
|March 21, 2025
概括
深度卷积神经网络 (DCNNs) 显示出在咬翼放射图上检测近距离空的前景. 本综述强调了DCNN,特别是YOLOv8,用于早期 caries 识别和改善牙科患者的结果.
科学领域:
- 牙科 牙科是指牙科的专业.
- 放射学 放射学是一门学科.
- 人工智能的人工智能
背景情况:
- 通过咬牙翼的放射检测间近接牙的检测对于及时的牙科治疗至关重要.
- 深度卷积神经网络 (DCNNs) 为牙科诊断提供先进的图像分析功能.
研究的目的:
- 系统地审查DCNN的应用,以检测使用咬翼放射的近距离虫.
- 评估性能,并确定最佳的DCNN模型来完成此诊断任务.
主要方法:
- 从2014年到2024年,在主要的科学数据库中进行了全面的文献搜索.
- 十项研究符合纳入标准,分析了DCNN进行细分,分类和检测咬翼放射图上的.
- 使用QUADAS-2工具评估了偏差风险,40%的研究显示在参考标准领域的风险低.
主要成果:
- 卷积神经网络 (CNN) 是最常用的模型.
- 与其他DCNN模型相比,YOLOv8模型在检测近距离空方面表现出更高的有效性.
- 基于DCNN的系统有助于早期虫病的识别,可能减少诊断错误.
结论:
- DCNN,特别是YOLOv8,是有效的工具,用于检测咬伤翼X射线图上的近距离.
- 早期检测有助于轻微侵入性治疗,改善患者在牙科护理中的结果.
- 需要进一步进行严格偏差评估的研究,以优化DCNN在临床环境中的性能.
