处理和分类牙科放射图的自动化工作流程:实践方法
Rajmohan Sivamani Chidambaram1, Ragavesh Dhandapani2, Sudha Rajmohan3
1Department of Prosthodontics, Oman Dental College, Muscat, OMN.
Cureus
|June 26, 2025
概括
使用卷积神经网络 (CNN) 的自动化工作流程有效地对大型牙科放射数据集进行分类. 亚历克斯Net实现了95.98%的检测,证明了牙科成像分析的提高准确性和效率.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 机器学习 机器学习
背景情况:
- 牙科放射学分类对于数据管理,检索和AI开发至关重要.
- 当前的方法对于大型数据集可能是低效的.
- 自动化工作流可以简化分类流程.
研究的目的:
- 开发一个自动化工作流程来分类牙科放射图.
- 通过机器学习提高牙科放射学分类的效率和准确性.
主要方法:
- 一项横截面机器学习研究使用了48,329张牙科放射图.
- 开发了一个工作流程,涉及DICOM到JPEG转换和图像预处理.
- 包括AlexNet和ResNet-50在内的卷积神经网络 (CNN) 被训练和测试.
主要成果:
- 亚历克斯网实现了最高的性能,95.98%的检测率和没有错误.
- 在194个错误的情况下,ResNet-50实现了92.3%的准确性.
- 一个定制的CNN模型有77.25%的检测率,有1,623个错误.
结论:
- 建立了一种有效的自动化工作流程,用于牙科放射学分类.
- CNN模型显著提高了分类牙科放射图的准确性和效率.
- 这种自动化方法支持牙科的临床和研究应用.
