牙疾病的多标签诊断来自全景X射线,使用注意力增强深度学习
Zahra Raeisi1, Shayan Rokhva2, Fatemeh Rahmani3
1Department of Computer Science, University of Fairleigh Dickinson, Vancouver Campus, Vancouver, Canada.
Oral and maxillofacial surgery
|October 7, 2025
概括
混合深度学习模型显示出从X射线分类牙疾病的前景,CNN-Random Forest实现了90.6%的准确性. 需要进一步验证临床使用.
科学领域:
- 医疗成像医学成像
- 人工智能在牙科中的应用
- 机器学习用于医疗保健
背景情况:
- 全景牙科X射线对于诊断各种口腔疾病至关重要.
- 这些图像的自动分析可以提高诊断效率和准确性.
- 深度学习模型为牙科病理的自动分类提供了潜力.
研究的目的:
- 在全景X射线图像中开发和评估用于多类分类牙疾病的自动深度学习模型.
- 将定制卷积神经网络 (CNN) 架构与注意力机制,预训练模型和混合方法的有效性进行比较.
- 评估预处理和数据增强对模型性能的影响.
主要方法:
- 预先处理和增强了1512张全景牙X射线的数据集,创建了4个类别的4764张平衡图像:填充物,腔,植入物和受影响的牙.
- 评估的架构包括有注意力的定制CNN,有注意力的预训练模型 (VGG16,ResNet50,Xception) 和混合CNN机器学习模型 (CNN+SVM,CNN+随机森林,CNN+决策树).
- 性能使用5倍交叉验证与包括准确性,精度,回忆,F1得分和ROC-AUC.在内的指标进行评估.
主要成果:
- 混合CNN+随机森林模型,带有预处理,实现了最高的性能:准确率为90.6%,ROC-AUC为0.987和F1-score为0.906.
- 预处理在所有架构中始终提高了性能,精度增加了6.3%至19.4%.
- 定制的CNN与注意力达到了86.0%的准确性,超过了传统的CNN (76.0%),而Xception与预处理达到了79.8%的准确性.
结论:
- 混合CNN机器学习方法在牙状况分类方面显著超过端到端深度学习模型.
- 预处理技术对于提高牙科成像中深度学习模型的性能至关重要.
- 临床实施需要解决数据集的局限性 (例如,缺乏正常病例) 和进行前性验证研究.
