双卷积神经网络框架用于在全景放射图中对牙损伤进行细分
Yeong-Su Lim1, Dohyun Chun2, Jihun Kim3
1Graduate student, Department of Smart Health Science and Technology, Kangwon National University, Chuncheon, Republic of Korea.
The Journal of prosthetic dentistry
|October 14, 2025
概括
一种新的深度学习方法有效地检测和细分全景放射图中的牙,提高了比传统方法更准确的诊断. 这种人工智能方法增强了对这种广泛传播的口腔疾病的早期检测.
科学领域:
- 人工智能在牙科中的应用
- 医学成像分析 医学成像分析
- 深度学习用于诊断.
背景情况:
- 牙损是一种常见的慢性疾病,难以诊断,特别是在后侧近接区域.
- 目前的诊断方法,如视觉检查和放射学,受到主观性和临床间的变化影响.
研究的目的:
- 开发和验证基于深度学习 (DL) 的自动化系统,用于检测和细分牙损伤.
- 评估DL方法在全景射线图上的有效性.
主要方法:
- 实施了DL管道,集成基于快速区域的卷积神经网络 (R-CNN) 用于牙检测和U-Net用于虫细分.
- 从统计学上比较性能与使用对联t试验的传统细分模型.
主要成果:
- 拟议的DL方法实现了高性能指标:交叉在联盟 (IoU) 的0.6075,子系数的0.7429,回忆的0.7309,和精度的0.7881.
- 与传统细分模型 (P<.05) 相比,观察到IOU,Dice系数和召回的显著改善.
结论:
- 开发的DL方法在从全景X射线图中检测和细分牙损伤方面表现出显著的有效性.
- 这种人工智能驱动的方法具有很大的潜力,可以提高牙病诊断的准确性和一致性.
