基于决策树的层次深度网络,用于在CBCT图像中对口腔致囊性损伤进行分类

科学领域:

• 牙科 牙科是指牙科的专业.
• 医疗成像医学成像
• 人工智能的人工智能

背景情况:

• 牙发作性囊性病变 (OCL) 是复杂的异常,需要准确的诊断才能进行有效的治疗.
• 目前的诊断依赖于束计算机断层扫描 (CBCT) 对形态病理特征的分析,往往忽视层次关系.
• 现有的AI方法缺乏指导,并没有充分利用OCL诊断的等级性质.

研究的目的:

• 为改进OCL分类提出一个新的层次深度决策树网络 (H2DT-Net).
• 为了利用类别间的关系,并整合诊断和形态病理特征.
• 通过以病变为重点的注意力地图来增强特征提取.

主要方法:

• 开发了H2DT-Net的三个模块:深度层次学习模块 (DHLM),特征类别嵌入模块 (FCEM) 和损伤局部注意模块 (LLAM).
• DHLM利用层次学习的类别间关系来实现层次学习.
• FCEM捕获来自诊断和形态病理领域的表征;LLAM生成以病变为重点的注意力图.

主要成果:

• 在289张CBCT图像上,H2DT-Net在OCL分类方面取得了最先进的性能.
• 该模型在临床环境中与六名面临床医生相比,显示出更高的诊断准确性.
• 拟议的模块有效地捕捉了层次关系,并集中了特征提取.

结论:

• H2DT-Net代表了人工智能辅助OCL诊断的重大进展.
• 层次的方法和注意力机制提高了分类准确性.
• H2DT-Net在面诊断中具有很强的临床应用潜力.