区域检测提高了深度学习系统的基于人群的性能,用于对全景X射线图上阴道动脉化的存在进行分类

科学领域:

• 牙科 牙科是指牙科的专业.
• 放射学 放射学是一门学科.
• 人工智能的人工智能

背景情况:

• 动脉结 (CAC) 是脑血管事件的重要危险因素.
• 全景射线图通常用于牙科实践,并可能可视化CAC.
• 需要准确和高效的方法来检测这些X光片上的CAC.

研究的目的:

• 调查和比较不同深度学习 (DL) 系统在全景射线图上诊断CAC的性能.
• 评估具有或没有区域检测功能的DL模型,用于CAC分类.
• 确定是否整合感兴趣区域 (ROI) 检测可以提高 CAC 的 DL 诊断准确度.

主要方法:

• 在580张全景射线图上使用GoogLeNet和YOLOv7开发了三种DL系统: (1) 直接对整个图像进行分类, (2) 先进行ROI检测然后进行分类, (3) 同时进行ROI检测和分类.
• 系统使用基于个人和基于侧面的性能指标进行评估,包括接收器操作特征曲线 (AUC) 下的面积.
• 使用DeLong的测试进行了统计分析,以比较系统之间的AUC值.

主要成果:

• 基于人的评估表明,与直接分类 (系统1) 相比,具有先前 (系统2) 和同时 (系统3) 区域检测的DL系统实现了显著更高的AUC值 (分别为0.86和0.90).
• 基于侧面的评估给出了系统2的AUC值为0.89和系统3的AUC值为0.84.
• 在前面和同时区域检测系统之间没有观察到显著的性能差异.

结论:

• 整合区域检测,无论是先前的还是同时的,大大提高了深度学习模型的基于人体的诊断性能,用于对全景射线图上的动脉化进行分类.
• 这些发现表明,在这种成像模式下,DL系统结合ROI检测对CAC诊断更有效.
• 该研究强调了先进的人工智能技术在提高心血管风险评估的放射性解释方面的潜力.