在数字全景图像中检测牙异常使用YOLO:基于单阶段检测模型的下一代方法
Uğur Şevik1,2, Onur Mutlu1,2
1Department of Computer Science, Faculty of Science, Karadeniz Technical University, Kanuni Campus, 61080 Trabzon, Turkey.
Diagnostics (Basel, Switzerland)
|August 14, 2025
概括
一个新的深度学习模型,YOLOv11x,在全景X射线图上准确地检测小儿牙科疾病,如牙和落叶牙. 这种人工智能工具提高了临床医生的诊断一致性和效率.
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
- 深度学习用于诊断支持
背景情况:
- 从全景放射图中诊断儿科牙疾病是具有挑战性的,因为混合牙,导致不一致的解释.
- 开发客观的工具对于提高儿科牙科诊断准确性和效率至关重要.
研究的目的:
- 开发和验证一个先进的深度学习模型,以提高儿科牙科全景放射图的诊断准确性.
- 为了确定最佳的YOLO变体来检测常见的儿科牙科发现.
主要方法:
- 对YOLOv8,v9,v10和v11架构进行比较分析,用于检测牙,牙,根管治疗和脉冲切除.
- 两级验证使用一个主要数据集 (n=644) 进行培训和一个独立的外部数据集 (n=150) 进行测试.
- 由双专家团队 (儿科牙医和口腔/关面部放射科医生) 进行注释和验证.
主要成果:
- 选择了YOLOv11x作为最佳模型,在内部验证集中获得0.91的平均平均精度 (mAP50).
- 在外部测试组中,YOLOv11x表现出强大的概括性,整体F1-Score为0.81和mAP50为0.82.
- 根管治疗 (88%),脉冲切除 (86%),叶落牙 (84%) 和牙 (79%) 的召回率很高.
结论:
- YOLOv11x模型是一种经过验证,准确和可靠的工具,用于在全景放射图中自动检测儿科牙科发现.
- 像YOLOv11x这样的AI驱动系统可以作为有价值的辅助工具,支持临床决策和诊断工作流程.
- 这项技术有助于在儿科患者中一致检测常见的牙科疾病.
