在四种不同的植入物计划软件中,在牙科植入物计划中使用两种不同的人工智能模型的性能:一项比较研究
Pathompong Roongruangsilp1, Walita Narkbuakaew2, Pathawee Khongkhunthian3
1Center of Excellence for Dental Implantology, Faculty of Dentistry, Chiang Mai University, Chiang Mai, Thailand.
BMC oral health
|July 3, 2025
概括
像Faster R-CNN和YOLOv7这样的人工智能 (AI) 模型对牙科植入物规划有希望. 虽然Faster R-CNN提供了更高的精度和YOLOv7更好的检测率,但两者都没有显示出统计学上显著的差异,突出了在AI驱动的牙科诊断中需要标准化图像染的需求.
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
- 植入物学 植入物学
背景情况:
- 人工智能 (AI) 正在彻底改变牙科植入物规划,提高诊断准确性和效率.
- 目前正在探索物体检测模型,以分析牙图像,以获得更好的治疗结果.
研究的目的:
- 评估Faster R-CNN和YOLOv7对象检测模型在分析牙植入物位置方面的性能.
- 通过不同的牙科成像软件平台处理的图像来比较模型性能.
主要方法:
- 在CBCT扫描中的300张植入物位置图像上训练了Faster R-CNN和YOLOv7模型.
- 测试模型在32个看不见的植入物位置图像上,由四个不同的牙科软件平台处理.
- 使用诸如检测速率,准确性,精度,回忆,F1得分和Jaccard指数等指标评估模型性能.
主要成果:
- 更快的R-CNN显示出更高的精度,而YOLOv7显示出更高的检测率,但精度较低.
- 图像染算法显著影响了模型性能,表明需要标准化.
- 两种AI模型之间没有发现统计学上显著的差异 (p > 0.05).
结论:
- 快速R-CNN和YOLOv7都显示出人工智能驱动的牙科植入物规划的潜力,模型选择取决于具体的准确性或检测需求.
- 跨牙科软件平台的标准化图像染对于一致可靠的AI模型性能至关重要.
- 需要进一步的研究来优化AI应用在牙科植入学DICOM分析中.
