一种混合卷积神经网络模型用于牙年龄估计,使用沙特儿童的口腔气膜骨水平

科学领域:

• 法医牙科 法医牙科
• 放射学 放射学是一门学科.
• 人工智能的人工智能

背景情况:

• 牙科年龄估计 (DAE) 在法医和医学牙科中至关重要.
• 传统的DAE方法是手动的,容易产生偏差和错误.
• 对于DAE,口腔大气泡骨水平的有用性仍未得到充分研究.

研究的目的:

• 为了评估在儿童中DAE的下牙后牙口腔气泡骨水平的有效性.
• 使用人工智能 (AI) 来自动估计使用这个指标的年龄.

主要方法:

• 在421张儿童 (5-15岁) 牙科全景断层扫描 (DPT) 上训练了UNet细分模型.
• 使用局部卷积神经网络 (CNN) 来测量从细分牙的口腔气膜骨水平.
• 用于DAE的机器学习回归模型,包括支持矢量机 (SVM),用于DAE.

主要成果:

• 最好的UNet模型实现了0.66.6的IOU分数.
• 最顶级的定位CNN显示了0.0009的平均平方误差 (MSE) 和0.8266.6的R平方得分.
• 在SVM回归模型中,最好的平均绝对误差 (MAE) 为0.99年.

结论:

• 口腔气泡骨水平是儿童DAE的可行度量.
• 由人工智能驱动的方法实现了MAE,与已建立的人类专家方法 (德米尔吉安,伦敦地图) 相当.
• 这项研究提出了一个有希望的基于人工智能的工具,用于客观和准确的牙年龄估计.