在全景射线图中基于U-net的异物和幽灵图像的细分
Elif Çelebi1, Nurullah Akkaya2, Gürkan Ünsal3
1Department of Oral and Maxillofacial Radiology, School of Dental Medicine, Bahçeşehir University, Gayrettepe, Barbaros Boulevard No:153, Beşiktaş, 34357, Istanbul, Turkey. celebielifin@gmail.com.
Oral radiology
|September 17, 2025
概括
这项研究开发了一个人工智能模型,用于在全景射线图 (PRs) 中自动细分异物和幽灵图像. 深层卷积神经网络 (CNN) 显示出高精度,帮助放射科医生进行PR解释.
科学领域:
- 放射学 放射学是一门学科.
- 人工智能的人工智能
- 医疗成像医学成像
背景情况:
- 全景射线图 (PRs) 可能因异物和幽灵图像而复杂化.
- 准确细分这些文物对于诊断解释至关重要.
研究的目的:
- 开发和评估深度卷积神经网络 (CNN) 模型,用于在PRs中自动细分异物和幽灵图像.
- 评估模型的准确性和潜在的协助放射科医生.
主要方法:
- 使用了11,226个PR的数据集.
- 一个基于U-Net的CNN模型被训练和评估.
- 性能是使用交叉与联盟 (IoU),子系数,准确性,精度,回忆和F1分数来衡量的.
主要成果:
- 该模型在异物细分方面获得了高的Dice和IoU分数 (测试分数:0.9657和0.9371).
- 幽灵图像细分也表现出强的表现 (测试分数:0.8749和0.8145).
- 总体测试准确度超过了0.999.
结论:
- 人工智能模型在PRs中对异物和幽灵图像进行细分时表现出高准确度.
- 这项技术有可能帮助放射科医生解释全景射线图.
- 建议进行进一步的临床验证,以确认其实用性.


