优化了使用卷积神经网络和预训练模型与预处理数据的牙科植入物的分类.

科学领域:

• 医疗成像医学成像
• 计算机视觉 计算机视觉
• 牙科技术 牙科技术

背景情况:

• 准确的牙植入物状态分类对于诊断和治疗计划至关重要.
• 放射图像是常用的,但需要强大的分析方法.
• 现有的分类方法可以从先进的预处理和增强中受益.

研究的目的:

• 评估各种分类器和预训练模型的性能,用于牙植入物状态分类.
• 评估数据增强和预处理对分类准确性的影响.
• 从放射图像中识别最佳模型来分类牙植入物状态.

主要方法:

• 一个数据集的511 periapical图像被增加到5110使用旋转,翻转和缩放.
• 图像经过预处理:大小调整,利,降噪,对比度增强和植入物特定的掩盖.
• 分类器包括卷积神经网络 (CNN),卷积支持向量机 (CSVM),卷积决策树 (CDT) 和卷积随机森林 (CRF).
• 预先训练的模型 (VGG16,ResNet50,Xception) 用于特征提取.
• 使用准确度,精度,回忆,F1得分和ROC AUC进行五倍交叉验证来评估性能.

主要成果:

• 卷积随机森林 (CRF) 显示ITI高性能与贝戈植入物 (精度0.8966).
• 卷积神经网络 (CNN) 实现了比康与贝戈植入物 (精度0.9533) 的最佳结果.
• 在使用预处理数据时,预训练模型VGG16在Bicon与ITI分类 (精度0.9865) 中表现出优异的性能.
• 数据增强和预处理显著提高了所有评估分类器的性能.

结论:

• 数据增强和预处理对于提高牙植入物分类的稳定性和准确性至关重要.
• CRF和CNN成为这个任务的高效分类器.
• VGG16被证明是最有效的预培训模型,强调了转移学习在这个领域的价值.
• 这项研究证实了先进的图像处理技术在牙科放射分析中的重要性.