基于U-Net的深度学习,用于在全景X射线图中同时对原始和永久牙进行细分和agenesis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
• 深度学习架构 深度学习架构

背景情况:

• 全景放射图对于儿科牙科诊断至关重要.
• 诊断错误,特别是与牙重叠和解释有关的错误,仍然是一个挑战.
• 人工智能 (AI) 在提高诊断准确性方面表现有前途.

研究的目的:

• 开发基于U-Net的深度学习模型,用于同时对牙进行细分和检测.
• 在全景放射图中区分初始牙和永久牙.
• 提高儿童牙科的诊断准确性和效率.

主要方法:

• 利用来自公共和大学档案的1697张全景射线图.
• 用牙科专家的手动细分来确定地面真相.
• 在80%的数据上训练了一个U-Net架构,在10%的数据上进行验证,在10%的数据上进行测试.

主要成果:

• 该模型在测试组中取得了高性能,子得分为0.8773,F1得分为0.9027.
• 在14.6%的病例中检测到牙发育,常见的部位是下第二前和大侧切口.
• 验证准确率达到了96.71%,证明了可靠的性能.

结论:

• 开发的深度学习模型有效地自动化了全景放射图中的牙细分和生殖检测.
• 高性能指标表明诊断错误和临床医生工作量减少的可能性.
• 这种人工智能工具为儿科牙科诊断提供了更高的准确性和效率.