多区域深度学习模型用于在全景放射图中识别牙科修复和假肢
Zohaib Khurshid1,2, Fatima Faridoon3, Onanong Chai-U-Dom Silkosessak4
1Department of Prosthodontics and Dental implantology, College of Dentistry, King Faisal University, Al-Ahsa, 31982, Kingdom of Saudi Arabia.
BMC oral health
|November 5, 2025
概括
本研究介绍了一种人工智能模型,用于在全景放射图中自动检测牙科修复. 视觉变压器 (ViT) 模型实现了94.15%的准确性,提高了诊断精度和简化了牙科工作流程.
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
- 牙科放射学 牙科放射学
背景情况:
- 自动检测牙科假体 (皇冠,桥梁,植入物) 和治疗 (填充物,根管) 对于有效的牙科实践至关重要.
- 现有的方法可能缺乏对全景射线图进行全面分析所需的准确性和效率.
研究的目的:
- 开发和评估一种新的深度学习方法,用于自动检测各种牙科修复和治疗.
- 为了比较不同深度学习架构对这个特定任务的性能.
主要方法:
- 使用了来自三个牙科学院的2,235张全景放射图的多样化数据集.
- 评估了三个深度学习架构 - - 你只看一次 (YOLO) v11,基于更快区域的卷积神经网络 (Faster R-CNN) 和视觉转换器 (ViT).
- 采用了包括数据集分割和严格测试在内的标准化协议.
主要成果:
- 视觉变压器 (ViT) 模型实现了最高的检测精度 (94.15%),精度 (94.64%) 和F1得分 (93.52%).
- 基于Faster区域的卷积神经网络 (Faster R-CNN) 在0.50.0的IOU值下显示出最好的平均平均精度 (mAP) 为82.0%.
结论:
- 基于全景放射图的AI驱动的自动牙科修复识别是实用的和有效的.
- 这项技术显著提高了诊断准确性,并简化了现代牙科实践中的临床工作流程.
- 开发的AI模型为改善患者记录管理和临床决策提供了有效的工具.
