相关实验视频
Updated: Jan 10, 2026

10:35
Precision Measurements and Parametric Models of Vertebral Endplates
Published on: September 17, 2019
6.8K
开发和验证人工智能算法用于使用横向头脑图进行椎脊椎成熟阶段化.
Ramnarayan Bk1, Sindhu P2, Preeti Patil3
1Professor & Head (Oral Medicine & Radiology), Dayananda Sagar College of Dental Sciences, Bengaluru, India.
Medical journal, Armed Forces India
|November 21, 2025
概括
这项研究开发了一个深度学习模型,从X射线自动评估椎脊椎成熟 (CVM). 人工智能实现了86%的准确性,提供了一种更快,更可靠的方法来评估成长中的患者的骨成熟度.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 矯正牙科 矯正牙科是一種矯正牙科.
背景情况:
- 通过横向脑外图评估椎成熟度 (CVM) 对于在没有额外辐射的情况下评估骨成熟度至关重要.
- 传统的手动CVM分析是耗时的,容易引起观察者之间的变化.
- 医学成像中的人工智能为提高诊断效率和准确性提供了机会.
研究的目的:
- 开发和验证用于自动化CVM分期的深度学习算法.
- 提高骨成熟度评估的诊断效率和准确性.
- 为了利用人工智能来分析横向头脑测量放射图.
主要方法:
- 使用了525个7-17岁的个体的侧向脑图.
- 采用人工智能平台 (PLAINSIGHT) 进行地标识别和脊椎测量.
- 在1300个增强图像上训练了一种VGG19卷积神经网络模型,并在105个独立脑图上验证.
主要成果:
- 在CVM分期中,VGG19模型实现了86%的整体精度.
- 在80-100个训练时代之间,人们可以获得最佳的表现.
- 对于CVS第4,5和6阶段,观察到高分类准确度,整体F1得分为0.85.
结论:
- VGG19的深度学习模型显示了自动化CVM评估的巨大潜力.
- 人工智能模型为评估骨发育提供了高精度和可重复性.
- 这种人工智能工具可以作为一个有价值的临床决策支持系统,用于成长中的个体.

