在牙科图像处理的背景下评估视觉转换器和卷积神经网络:系统性审查
Turgut Felek1,2, Hümeyra Tercanlı3, Rümeysa Şendişçi Gök4
1Institute of Natural and Applied Sciences, Akdeniz University, Antalya, Türkiye.
BMC oral health
|October 15, 2025
概括
视觉转换器 (ViT) 在牙科成像任务中表现更高,而不是卷积神经网络 (CNN). 然而,这两种深度学习模型在临床实践中可以相互补充,以改善口腔放射学分析.
科学领域:
- 人工智能在牙科中的应用
- 对于医学成像的深度学习
- 计算机视觉在口腔放射学中的应用
背景情况:
- 牙科成像分析对于诊断和治疗计划至关重要.
- 卷积神经网络 (CNN) 和视觉转换器 (ViT) 是著名的深度学习模型.
- 将它们在牙科成像中的有效性进行比较对于推进该领域至关重要.
研究的目的:
- 系统地审查和比较CNN和ViT在牙科成像中的性能.
- 在这个领域分析两种模型的潜力,优势和局限性.
- 引导牙科放射学深度学习模型的选择和应用.
主要方法:
- 在2025年1月使用ViT,CNN和牙科成像的特定关键词进行了系统的文献搜索.
- 两个独立的研究人员根据预定义的包含/排除标准对符合条件的文章进行了选和评估.
- 总共有21项研究符合审查标准.
主要成果:
- 在21项审查的研究中,14项 (66.7%) 专注于分类,7项 (33.3%) 专注于细分任务.
- 全景放射是最常见的成像方式 (52.3%).
- 基于视觉变压器 (ViT) 的模型在各种牙科成像应用中显示出更高的性能 (58%).
结论:
- 视觉转换器 (ViT) 模型在牙科图像分析中通常优于传统的卷积神经网络 (CNN).
- 在实际的牙科成像场景中,CNN和ViT方法都可以互补地使用.
- 这表明混合方法可能在口腔放射学中提供最佳的诊断准确性.
