除了牙科放射图外,还有一项基于放射学的研究,用于对脏扩展和深度进行分类

科学领域:

• 牙科 牙科是指牙科的专业.
• 医疗成像医学成像
• 机器学习 机器学习

背景情况:

• 传统的牙腐烂检测依赖于视觉和放射学方法.
• 深度学习已经用于的程度,但不是从口腔内图像的深度分类.
• 从口腔内摄影的放射性特征提供了一种新的方法来评估的深度.

研究的目的:

• 评估基于放射学的机器学习方法,用于使用口腔内照片对牙损伤的范围和深度进行分类.
• 将这种方法与传统的放射性评估进行比较.
• 探索非侵入性成像用于病诊断的潜力.

主要方法:

• 内口摄影被捕获并处理,包括细分和数据增强.
• 使用Pyradiomics从RGB颜色通道中提取了放射性特征.
• 机器学习分类器 (LDA,k-NN,SVM,NNET) 通过特征选择和交叉验证进行训练和验证.
• 用部分依赖图和分解资料来评估模型的解释性.

主要成果:

• 具有倒向选择的NNET分类器在分类腐烂深度方面取得了高准确度 (87.6%-95.4%).
• 灵敏度和特异性分别在61.5%至93%和73%至90%之间.
• 红色和绿色颜色通道,特别是纹理特征,显著影响了预测,结合RGB通道产生了最佳准确性.

结论:

• 放射学可以从口内摄影中准确地分类腐烂的深度,为射线影像提供了一个非侵入性的,具有成本效益的替代方案.
• 这种方法有可能通过减少对侵入性放射技术的依赖来彻底改变牙科诊断.
• 使用易于使用的设备,这种方法促进了高效和负担得起的虫检测.