使用深度学习对咬翼的自动图表归档:在多中心研究中增强临床诊断
Lingyun Cao1, Niels van Nistelrooij2, Eduardo Trota Chaves3
1Department of Dentistry, Research Institute for Medical Innovation, Radboud University Medical Center, Philips van Leydenlaan 25, 6525 EX Nijmegenthe Netherlands.
Journal of dentistry
|June 23, 2025
概括
本研究引入了一种深度学习 (DL) 模型,用于自动化牙科咬牙分析,提高图表归档效率和准确性. DL方法准确地划分牙并识别牙疾病,帮助牙科专业人员.
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
- 用于牙科诊断的深度学习
背景情况:
- 用于图表备案的牙科咬翼的手动解释是耗时的,并且受观察者变化的影响.
- 自动化咬牙翼放射图的分析对于提高牙科实践的效率和一致性至关重要.
研究的目的:
- 开发和评估深度学习 (DL) 方法,用于自动化,全面的牙咬牙的图表文件.
- 评估一款新的层次面罩DINO模型与牙科图像分析的其他DL方法的性能.
主要方法:
- 采用了1045个咬翅的多中心数据集 (德国,荷兰) 进行培训/验证,216个 (斯洛伐克) 进行外部测试.
- 层次面罩 DINO 是为多类,端到端的牙和牙科条件的实例细分而开发的.
- 使用F1得分,灵敏度,特异性,精度,mAP和AUC来评估性能,与未经修改的Mask DINO,SparseInst和Mask R-CNN.N.进行比较.
主要成果:
- 层次面具DINO模型在牙细分和标签方面取得了高效,精度,灵敏度和F1分数超过0.96.
- 该模型在分类牙科发现方面表现出卓越的表现,包括植入物,皇冠,填充物和根管治疗,F1得分高达0.988.
- 所有评估的牙科疾病的特异性都高于0.95,表明了强大的诊断能力.
结论:
- 提出的基于DL的方法可以实现完全自动化的牙细分,编号和牙状况的全面细分.
- 这项技术有可能显著减少手工工作量,并提高牙科专业人员临床诊断的准确性.
- 该研究强调了深度学习在自动化牙科图表备案,提高效率和诊断一致性方面的有效性.
