针对ACO优化的MobileNetV2-ShuffleNet混合模型用于自动化牙虫分类
Kotturu Kaveri1, Venkata Ratna Prabha K1, G Pradeep Reddy2
1Department of Electronics and Communication Engineering, Siddhartha Academy of Higher Education, Deemed to be University, Kanuru, Vijayawada, Andhra Pradesh, 520007, India.
Scientific reports
|November 18, 2025
概括
这项研究引入了一种自动化方法,用于使用全景X射线对牙虫进行分类. 这种新的方法提高了诊断的准确性,改善了口腔感染的早期检测.
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:
- 如果不及时诊断,牙感染会给健康带来重大风险.
- 从X射线图像中诊断口腔感染是具有挑战性的,因为细微的解剖学差异和数据不平衡.
- 准确及时诊断牙损伤对于有效治疗至关重要.
研究的目的:
- 开发一种使用全景放射图像进行牙腐烂分类的强大和自动化的方法.
- 为了应对阶级不平衡和牙X射线中的弱解剖差异的挑战.
- 通过人工智能提高牙科诊断的准确性和可靠性.
主要方法:
- 预处理技术包括数据平衡的聚类和 Sobel-Feldman 边缘检测用于功能增强.
- 开发一种混合深度学习架构,将MobileNetV2和ShuffleNet.net结合起来.
- 集成殖民地优化 (ACO) 算法用于参数调整和全球搜索优化.
主要成果:
- 独立的MobileNetV2和ShuffleNet模型显示了有限的分类能力.
- 混合架构显著提高了分类精度.
- 增强ACO的混合方法实现了92.67%的高精度,优于单个网络的性能.
结论:
- 拟议的ACO增强混合模型在牙损分类方面表现出卓越的性能.
- 这种自动化方法为牙医提供了可靠的工具,提高了诊断效率.
- 该方法有可能在自动牙科诊断系统中得到广泛应用.


