使用深度学习算法在全景放射图上检测Dens Invaginatus
Esra Nur Akgül1, Burcu Gucyetmez Topal1
1Faculty of Dentistry, Department of Paediatric Dentistry, Afyonkarahisar Health Sciences University, Afyonkarahisar, Turkey.
International journal of paediatric dentistry
|August 4, 2025
概括
深度学习模型YOLOv5和YOLOv8在牙科放射图中准确地检测出阴道密度. 这些人工智能工具显示出将其整合到儿科牙科中,用于早期诊断和治疗规划的希望.
科学领域:
- 人工智能在牙科中的应用
- 牙科诊断 牙科诊断 牙科诊断
- 深度学习应用程序
背景情况:
- 牙发育异常 (Dens invaginatus) 是一种罕见的发育异常,影响牙形成.
- 早期识别Dens Invaginatus对于有效管理和预防并发症至关重要.
- 全景放射是儿科牙科中常见的成像技术.
研究的目的:
- 评估YOLOv5和YOLOv8深度学习算法的有效性,以检测阴道密度.
- 为了比较基于AI分析的检测和细分标签方法的性能.
- 评估AI模型在年轻患者中识别这种牙异常时的可靠性.
主要方法:
- 使用了来自8至18岁患者的656张全景放射图的数据集.
- 在前部区域有密集的牙被用细分和检测技术精心标记.
- CranioCatch软件促进了图像标记过程,由两位经验丰富的儿科牙医进行.
主要成果:
- YOLOv5表现出高性能,精度,灵敏度和F1得分从0.887到0.928.8不等.
- YOLOv8取得了卓越的结果,特别是检测方法,产生了0.950,1和0.974.7的精度,灵敏度和F1分数.
- 检测和细分方法都在YOLO模型中被证明是有效的.
结论:
- YOLOv5和YOLOv8模型在从全景射线图中检测阴道密度方面取得了显著的成功.
- 基于深度学习的系统显示了将其整合到临床儿科牙科工作流程中的潜力.
- 人工智能工具可以作为牙医的有价值的决策支持机制,帮助诊断阴道密度.
