深度学习方法对牙自动细分的评估以及使用SAM2算法匹配牙阴影的阴影指南
KyeongHwan Han1, JaeHyung Lim2, Jin-Soo Ahn1
1Dental Research Institute and Department of Dental Biomaterials Science, School of Dentistry, Seoul National University, 101 Daehak-ro, Jongno-gu, Seoul 03080, Republic of Korea.
Bioengineering (Basel, Switzerland)
|September 27, 2025
概括
这项研究引入了使用Segment Anything Model 2 (SAM2) 的深度学习方法,用于从口腔内照片中准确匹配牙阴影. SAM2变体显示出高空间精度和颜色保真度,在临床应用中表现优于UNet基线.
科学领域:
- 人工智能在牙科中的应用
- 医学图像分析 医学图像分析
- 计算机视觉用于牙科应用.
背景情况:
- 精确的阴影匹配在修复性和假牙医疗中至关重要.
- 视觉评估中的主观性使手动的阴影匹配具有挑战性.
- 需要客观的,自动化的方法来提高阴影匹配的准确性.
研究的目的:
- 开发和评估一种深度学习方法,用于在口内照片中同时对自然牙和阴影指南进行细分.
- 评估四个细调的细分任何模型2 (SAM2) 的变体与UNet基线的性能.
- 量化细分模型的空间精度和颜色一致性.
主要方法:
- 四种细分任何模型2的变体 (SAM2:微小,小,基础加大,大) 和一个UNet模型为细分进行了微调.
- 绩效使用子相似系数 (DSC),交界线 (IoU) 和豪斯多夫距离 (HD95) 进行评估.
- 使用CIELAB组件的变化系数 (CV) 和感知色彩差异 (CIEDE2000, ΔE00) 来测量颜色一致性.
主要成果:
- 所有SAM2变种都实现了高重叠精度,SAM2-大型的表现最好 (DSC:0.987±0.006).
- 颜色差异 (ΔE00) 值在所有模型中始终低于刚刚明显的差异值,这表明色彩一致性很好.
- SAM2模型,特别是较大的变体,表现出强大的空间精度,边界可靠性和颜色保真性,表现优于UNet基线.
结论:
- 精心调整的SAM2模型显示了精确匹配牙阴影的技术可行性,提供了适合临床工作流程的强大性能.
- 与UNet基线相比,更大的SAM2变体提供了更高的空间精度和颜色保真度.
- 进一步的临床验证和多中心评估是必要的,以确认适合常规的牙阴影匹配程序.
