使用深度学习方法在全景射线图上检测下巴病变
Dilek Çoban1, Yasin Yaşa2, Abdulsamet Aktaş3
1Department of Dentomaxillofacial Radiology, Faculty of Dentistry, Kafkas University, Kars, Turkey. dilek.coban@kafkas.edu.tr.
Journal of imaging informatics in medicine
|August 28, 2025
概括
最先进的深度学习模型有望在全景射线图上检测和细分病变. 特别是在空间定位方面,RT-DETR-L表现出卓越的性能,提供了有价值的临床决策支持.
科学领域:
- 放射学
- 人工智能
- 医学成像
背景情况:
- 病变,无论是放射性还是无光,都需要在全景放射图上准确检测.
- 深度学习模型可以提高牙科放射学诊断的准确性.
研究的目的:
- 评估和比较用于检测和细分病变的最先进的深度学习模型.
- 在不同的培训场景下评估模型性能,包括空间定位.
主要方法:
- 追溯收集2371个匿名的全景X光照片,
- 对YOLOv8,YOLOv11,Mask R-CNN和RT-DETR模型进行培训和评估.
- 使用精度,回忆,F1得分和平均精度 (mAP) 的性能评估.
主要成果:
- 在情景I中,YOLOv11x-seg和YOLOv8x-seg显示出高分段性能.
- RT-DETR-L表现出卓越的检测性能,特别是在空间定位的情景III.
- 深度学习模型显示了有效的病变检测和细分的潜力.
结论:
- 深度学习模型可以有效地检测和细分全景射线图上的病变.
- RT-DETR-L具有很大的潜力,尤其是在使用空间定位数据进行训练时.
- 建议使用模型作为临床决策支持工具,而不是独立的诊断系统.


