基于深度学习的细分模型的评估,用于在全景放射图中检测动脉化
Büşra Gül Yılmaz1, Sinan Altun2, İbrahim Şevki Bayrakdar3
1Department of Oral and Maxillofacial Radiology, University of Health Sciences, Mekteb-i Tıbbiye-i Şahane (Hamidiye) Complex, Selimiye Neighborhood, Tıbbiye Street, Üsküdar, Istanbul, 34668, Turkey. bsrglylmz@gmail.com.
Oral radiology
|September 10, 2025
概括
人工智能 (AI) 模型在全景放射图中有效地检测出动脉化 (CAC). YOLOv11x-seg显示了最高的精度,而YOLOv8x-seg为CAC检测提供了卓越的灵敏度.
科学领域:
- 放射学和医学成像学 医学成像学
- 医疗保健中的人工智能
- 心血管健康 心血管健康
背景情况:
- 动脉化 (CAC) 是动脉样硬化和心血管风险的重要指标.
- 全景射线图通常用于牙科和大面部成像,为偶然的CAC检测提供了一个潜在的来源.
- 准确和自动检测CAC对于风险分层和早期干预至关重要.
研究的目的:
- 评估人工智能辅助细分方法在全景射线图中检测CAC的有效性.
- 为了比较YOLOv5x-seg,YOLOv8x-seg和YOLOv11x-seg模型在CAC检测中的性能.
- 探索分析数据集中的患者性别和CAC存在之间的关联.
主要方法:
- 分析了30883张全景放射图的数据集.
- 对652张X射线图进行了CAC手动注释,共计1086例.
- 三种深度学习YOLO细分模型 (YOLOv5x-seg,YOLOv8x-seg,YOLOv11x-seg) 用于使用精度,准确度和F1分数进行自动检测和性能评估.
主要成果:
- YOLOv5x-seg以84.62%的精度,灵敏度和F1得分实现了平衡的性能.
- YOLOv8x-seg表现出最高的灵敏度 (88.46%),但精度较低 (78.63%).
- YOLOv11x-seg获得了最高的精度 (93.41%) 和具有竞争力的F1得分 (87.18%).
结论:
- 基于AI的YOLO细分模型是可靠的工具,用于在全景放射图中检测CAC.
- 评估的模型显示了潜在的临床应用的有希望的性能.
- 对更大,更多样化的数据集进行进一步验证是必要的,以确认可概括性和临床疗效.
