深度学习模型的分类性能,用于评估横向头脑计射线图上的垂直维度

科学领域:

• 矯正牙科 矯正牙科是一種矯正牙科.
• 人工智能的人工智能
• 医疗成像医学成像

背景情况:

• 垂直生长模式显著影响面部美学和正牙治疗计划.
• 侧向脑图是评估垂直下关系的标准.
• 对垂直骨模式的准确分类对于有效的正牙诊断至关重要.

研究的目的:

• 评估深度学习 (DL) 算法,以基于垂直骨生长模式对脑电图进行分类.
• 为了评估DL模型的性能,而不需要解剖学地标识别.
• 为了比较各种DL模型在正牙诊断中的有效性.

主要方法:

• 利用了来自1050名患者的横向头脑电图.
• 将放射图分为三个垂直生长模式子组 (FMA,SN-GoGn,Cant of Occlusal Plane) 的分类.
• 采用并比较了六种DL模型:ResNet101,DenseNet 201,EfficientNet B0,EfficientNet V2 B0,ConvNetBase和一个混合模型,评估准确性,精度和F1-Score等指标.

主要成果:

• 混合DL模型实现了最高的分类准确率:FMA为86.67%,SN-GoGn为87.29%,Cant of Occlusal Plane为82.71%.
• 在不同分类中,ConvNet的准确度最低,从65%到79.58%不等.
• 总体而言,DL算法的成功率在65%至87.29%之间.

结论:

• 深度学习算法显示了从脑电图中对垂直骨生长模式进行分类的巨大潜力.
• 混合DL模型表现出卓越的性能,表明其在正牙诊断中的实用性.
• 这些人工智能驱动的方法可能使直接的骨正牙诊断成为可能,绕过传统的脑测量里程碑检测步骤.