在全景放射图中基于深度学习检测分离的根通道仪器,使用U²-Net架构.

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
• 牙周内治疗 牙周内治疗

背景情况:

• 分离的内牙仪器在根管治疗中构成重大挑战,影响治疗成功和预后.
• 在全景放射图上检测这些碎片是很困难的,特别是在复杂的病例或对经验较少的临床医生来说.

研究的目的:

• 开发和验证深度学习模型,特别是U2 -Net架构,用于自动检测和分割分离的内牙仪器.
• 从各种成像系统获得的全景射线图上评估模型的性能.

主要方法:

• 追溯分析了36800张全景射线图,其中191张符合纳入标准.
• 使用计算机视觉注释工具手动对分离的仪器进行细分.
• 使用子系数,IOU,精度,回忆和F1分数进行U 2 -Net模型的培训和评估.

主要成果:

• U2 -Net模型实现了高的子系数 (0.849) 和IoU (0.790),表明了出色的细分精度.
• 该模型表现出强的性能,精度为0.877,回忆率为0.847,F1得分为0.861.
• 从各种成像系统的放射图中观察到强大的性能.

结论:

• 在全景X光照上,U 2 -Net模型在分割分离的内牙仪器方面显示出高准确度.
• 该模型在不同成像系统中的一致性能表明,该模型对于检测和治疗计划具有显著的临床实用性.
• 建议进行进一步的多中心验证,以确认研究结果的概括性.