在咬牙X光片上检测牙的评估:对改进的深度学习模型和牙医表现的比较分析
Baturalp Ayhan1, Enes Ayan2, Gökhan Karadağ3
1Department of Restorative Dentistry, Faculty of Dentistry, Bursa Uludag University, Bursa, Turkey.
概括
一个新的深度学习模型,YOLOv9c,有效地检测牙损伤在咬翼放射. 这种先进的人工智能工具与其他模型甚至牙医相比表现出了更高的性能,有助于准确诊断.
科学领域:
- 人工智能在牙科中的应用
- 医学成像分析 医学成像分析
- 深度学习用于诊断.
背景情况:
- 深度学习模型越来越多地用于在X光照中检测牙腐烂.
- 现代深度学习模型对虫检测的比较分析需要进一步调查.
研究的目的:
- 评估11种"只看一次" (YOLO) 对象检测模型,用于识别牙和牙损.
- 改进YOLOv9c模型的架构,以提高检测性能和效率.
- 为了比较YOLOv9c模型与牙医在检测牙方面的表现.
主要方法:
- 十一只你只看一次 (YOLO) 的物体检测模型被评估为自动虫识别.
- YOLOv9c模型经历了骨干架构的改进,以减少尺寸和计算负载.
- 增强的YOLOv9c模型与六名牙医进行了评估,使用相同的咬翼放射数据集.
主要成果:
- 精细的YOLOv9c模型实现了卓越的性能指标,包括回忆 (0.727),精度 (0.651),特异性 (0.726),F1得分 (0.687) 和Youden指数 (0.453).
- YOLOv9c模型的召回和F1得分超过了六位参与的牙医的表现.
- 优化的YOLOv9c模型在检测牙和牙损方面表现得非常准确.
结论:
- YOLOv9c模型在检测牙和牙损方面非常有效,其表现优于现有的模型和牙医.
- 这种先进的深度学习模型可以成为增强牙医诊断能力的宝贵工具.
- YOLOv9c模型显示了临床应用的巨大潜力,支持准确和高效的虫检测,以改善患者的治疗结果.
