基于深度学习模型的自动下第三和下通道关系确定,用于手术前风险降低
Elham Tahsin Yasin1, Mediha Erturk2, Melek Tassoker2
1Graduate School of Natural and Applied Sciences, Department of Computer Engineering, Faculty of Technology, Selcuk University, Konya, Türkiye.
Clinical oral investigations
|March 25, 2025
概括
深度学习模型准确地使用圆束计算断层扫描来分类下第三和下通道之间的空间关系. 这种人工智能驱动的方法提高了手术规划,并降低了诸如下膜神经损伤等风险.
科学领域:
- 牙科成像和诊断牙科成像和诊断
- 医学中的人工智能
- 手术规划和风险评估.
背景情况:
- 精确的分类下第三和下通道之间的空间关系对于防止下膜神经在提取过程中的损伤至关重要.
- 圆束计算机断层扫描 (CBCT) 是可视化这种解剖关系的关键成像方式.
- 手动评估CBCT图像可能是耗时的,容易引起观察者之间的变化.
研究的目的:
- 评估深度学习模型在分类下第三和下通道之间的空间关系方面的有效性.
- 为此分类任务,比较不同卷积神经网络架构的性能.
- 评估人工智能的潜力,以提高术前评估的准确性和一致性.
主要方法:
- 一套305个CBCT扫描的数据集由面放射学专家策划和注释.
- 在数据集上训练和评估了三个深度学习模型 (MobileNet,Xception,DenseNet201).
- 使用标准指标评估分类表现,包括"未接触"",接近接触"和"接触"等类别.
主要成果:
- 移动网络实现了最高的分类准确率99.44%.
- Xception和DenseNet201的性能很高,分别准确率为98.74%和98.73%.
- 所有评估的深度学习模型都显示出强大的能力来分类牙-道空间关系.
结论:
- 深度学习模型显示了自动化和提高下三和下通道关系分类的准确性的巨大潜力.
- 人工智能驱动的分类可以改善外科风险评估,简化诊断工作流程.
- 整合这些人工智能系统可能会导致更安全,更有效的牙科手术规划,特别是在资源有限的环境中.
