用摄影图像对不同口腔白色病变进行分类和对象检测的深度学习模型的性能
Siribang-On Piboonniyom Khovidhunkit1, Kunchidsong Phosri2, Bhornsawan Thanathornwong3
1Department of Advanced General Dentistry, Faculty of Dentistry, Mahidol University, Bangkok, Thailand.
Scientific reports
|August 21, 2025
概括
通过识别潜在的恶性疾病,计算机视觉有助于诊断口腔病变. 这项技术使用像YOLOv7这样的深度学习模型,
科学领域:
- 医学的人工智能
- 数字病理学
- 口腔医学
背景情况:
- 早期发现口腔潜在恶性疾病 (OPMDs) 对于降低口腔癌风险和改善患者的治疗结果至关重要.
- 计算机视觉为客观有效的口腔病变诊断提供了一种新的辅助技术.
- 评估先进的深度学习模型对口腔白色病变的分类和检测至关重要.
研究的目的:
- 评估计算机视觉技术的有效性,特别是深度学习模型,用于从照片中诊断口腔白色病变.
- 比较卷积神经网络 (CNN),变压器网络和YOLO模型在分类和检测OPMD和非OPMD方面的性能.
- 确定最有效的口腔病变自动识别和查模型.
主要方法:
- 使用深度学习模型,包括CNN,变压器神经网络 (IFormerBase) 和单阶段物体检测模型 (YOLOv7,YOLOv8).
- 对五种口腔白色病变进行了训练和评估:口腔白血,口腔平坦,伪膜,带伪膜的口腔和其他良性白色病变.
- 评估模型性能,使用诸如精度,精度,F1分数和各个交叉点的平均精度 (mAP) 的欧盟 (IoU) 值.
主要成果:
- IFormerBase模型表现出卓越的分类性能,在测试组中达到超过80%的准确性,精度和F1分数.
- YOLOv7实现了最高的物体检测性能,在0.3的IOU值下达到84.5%的mAP,在0.5的IOU值下达到74.5%.
- 这项研究证实了深度学习对各种口腔白色病变的准确分类和检测的潜力.
结论:
- 通过先进的深度学习来实现计算机视觉, 作为口腔病变诊断的辅助工具,
- 开发的模型,特别是用于分类的IFormerBase和用于检测的YOLOv7,为增强的口腔癌查系统提供了基础.
- 进一步发展口腔病变自动识别可以提高口腔瘤的早期检测率和患者的存活率.
