评估各种深度学习架构的有效性,用于在全景放射图中自动预处理和识别受影响的上犬
Othman Alenezi1, Tanmoy Bhattacharjee2, Hasna Ahmad Alseed1
1Department of Orthodontics, Hamdan Bin Mohammed College of Dental Medicine, Mohammed Bin Rashid University of Medicine and Health Sciences, Dubai, UAE.
International dental journal
|August 3, 2025
概括
谷歌LeNet在使用全景射线图识别受影响的上犬中表现出卓越的准确性. 这种卷积神经网络 (CNN) 的进步更接近牙科诊断的全自动化软件.
科学领域:
- 牙科 牙科是指牙科的专业.
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 对受影响的犬类进行自动作物和分类方法已经显示出有前途.
- 准确识别受影响的上犬 (IMCs) 对于及时的正牙干预至关重要.
研究的目的:
- 评估多个卷积神经网络 (CNN) 架构,以提高从全景射线图 (PR) 中识别IMC的准确性.
- 评估有或没有用于IMC检测的自动化预处理的CNN的性能.
主要方法:
- 八个CNN架构 (GoogLeNet,SqueezeNet,NASNet-Mobile,ShuffleNet,VGG-16,ResNet 50,DenseNet 201,Inception V3) 进行了比较,这些架构的使用情况是如下:
- 分类182个PRs (91个受影响,91个非受影响的上犬) 在自动作物之前和之后.
- 使用的接收器运行特征 (ROC) 分析与曲线下的面积 (AUC) 来评估性能.
主要成果:
- 在所有被测试的CNN中,GoogLeNet获得了最高的分类表现.
- 谷歌网络的AUC值达到0.9 (没有预处理) 和0.99 (有预处理).
- 谷歌LeNet的表现优于SqueezeNet (AUC分别为0.84和0.96) 和其他架构.
结论:
- 谷歌LeNet在PRs中的IMC自动识别方面表现出卓越的性能.
- 自动裁剪和先进的CNN显著提高了诊断准确度.
- 这项研究有助于开发用于IMC检测的全自动化软件.
