深度学习模型对3D照片的面部吸引力评估进行比较
Jieqiong Hu1, Chunhong Wang1, Qinyuan Qu1
1Department of Orthodontics, The Affiliated Stomatological Hospital Of Nanjing Medical University, State Key Laboratory Cultivation Base of Research, Prevention and Treatment for Oral Diseases, Jiangsu Province Engineering Research Center of Stomatological Translational Medicine, PR China.
Journal of dentistry
|April 8, 2025
概括
在使用卷积神经网络 (CNN) 评估面部吸引力方面,DenseNet121显示出最准确的准确性. 这种深度学习方法为正牙患者提供了精确高效的分析.
科学领域:
- 矯正牙科 矯正牙科是一種矯正牙科.
- 人工智能的人工智能
- 医疗成像医学成像
背景情况:
- 卷积神经网络 (CNN) 在正义牙科应用中表现有前途.
- 面部吸引力的评价在正牙治疗规划中至关重要.
研究的目的:
- 评估各种CNN模型的准确性和精确性,以评估中国正牙患者 (6-18岁) 的面部吸引力.
主要方法:
- 1272张3D预处理照片被正牙医用视觉模拟尺度分析.
- 数据被转换为二维RGB图像,并由CNN模型 (ResNet18,ResNet50,ResNet101,VGG-16,VGG-19,Inception-v3,MobileNet-v2,DenseNet121) 进行处理.
- 使用RMSE,MAE,肯德尔的和斯皮尔曼的rho来测量性能.
主要成果:
- DenseNet121实现了最高的预测准确性,在排名相关性,验证损失和MAE方面表现优于其他模型.
- ResNet18拥有最短的训练时间和最准确的预测.
- 移动网络v2表现最差;VGG-19是最大的和训练最慢的.
结论:
- 在面部吸引力评估中,DenseNet121在准确性和排名相关性方面表现出卓越的表现.
- 该研究提供了对模型准确性和训练效率之间的权衡的洞察力,用于在正牙科中进行CNN选择.
