在正牙患者中进行自动牙周评估:双重CNN框架
Ebru Yurdakurban1, Ali Batuhan Bayırlı2, Mehmetcan Uytun2
1Faculty of Dentistry, Department of Orthodontics, Muğla Sıtkı Koçman University, Muğla, Turkey. ebruyurdakurban@mu.edu.tr.
Clinical oral investigations
|June 2, 2025
概括
卷积神经网络 (CNN) 系统可以准确地诊断牙结石,斑块和牙疾病在正牙患者. 这些人工智能工具有助于临床医生在早期牙周诊断和治疗规划.
科学领域:
- 医疗成像医学成像
- 人工智能在牙科中的应用
- 牙周病学 牙周病学
背景情况:
- 牙周健康对于正牙治疗的成功至关重要.
- 精确诊断牙结石,牙斑,牙炎症和牙增生是非常重要的.
- 当前的诊断方法可能是主观的,耗时的.
研究的目的:
- 开发和评估基于卷积神经网络 (CNN) 的系统,用于诊断关键牙周疾病.
- 评估YOLOv8和U-Net+ResNet50模型在口腔内图像中识别牙结石,斑块,牙炎症和增生症方面的性能.
主要方法:
- 使用了来自正牙患者的1000张口内图像的数据集.
- 牙周学专家注释了感兴趣的领域.
- 训练和验证了YOLOv8和混合U-Net+ResNet50模型.
- 性能指标包括准确性,精度,回忆,F1得分,子系数和科恩的卡帕.
主要成果:
- YOLOv8的平均分类准确率为0.96;U-Net+ResNet50的平均分类准确率为0.93.
- 这两种模型在检测牙增生症方面都表现出强的表现 (迪斯系数~0.79).
- 检测牙结石的准确性较低 (迪斯系数~0.50). 所有分类的精度都超过了0.72.
结论:
- 基于CNN的系统为诊断牙周疾病提供快速,客观的决策支持.
- 这些人工智能工具可以提高早期诊断和牙周评估在正牙科的可访问性.
- 临床专业知识仍然是最终诊断的关键.
