在2D面部照片上使用人工智能对骨缺陷的自动诊断和分类:一种多模式深度学习方法
Hui Yang1, Wen-Qing Bu1, Ya-Xing Shu2
1Key laboratory of Shaanxi Province for Craniofacial Precision Medicine Research, College of Stomatology, Xi'an Jiaotong University, 98 XiWu Road, Xi'an 710004 Shaanxi, People's Republic of China; Department of Orthodontics, College of Stomatology, Xi'an Jiaotong University, 98 XiWu Road, Xi'an 710004 Shaanxi, People's Republic of China.
一个新的深度学习模型,FaceDSM-Net,可以从2D面部照片中准确识别骨缺陷. 这种具有成本效益的工具有助于早期查和临床决策,与专家评级者相似.
科学领域:
- 人工智能在医学中的应用
- 医学成像分析 医学成像分析
- 矯正牙醫和牙臉整形醫學
背景情况:
- 骨性缺陷,影响斜腰和垂直尺寸,需要准确的诊断才能进行有效的治疗.
- 传统的诊断方法通常依赖于放射性成像,这可能是昂贵和耗时的.
- 深度学习为非侵入性和高效的缺陷评估提供了一个潜在的途径.
研究的目的:
- 开发和验证一个两阶段的深度学习框架 (FaceDSM-Net) 用于识别斜和垂直骨缺陷.
- 通过使用2D面部照片评估拟议的深度学习模型的可靠性和成本效益.
- 为了比较模型的性能与人类专家评级者.
主要方法:
- 利用了来自1427名患者的2854张面部照片和侧面脑图的数据集.
- 开发了一个两阶段的深度学习模型,FaceDSM-Net,将面部图像与患者元数据 (性别,年龄) 整合起来.
- 模型性能使用准确性,精度,AUC,回忆,F1得分和可解释性技术 (Grad-CAM) 进行评估,并与72名评级者进行外部验证和比较.
主要成果:
- 面对DSM-Net实现了高性能在形 (AUC 0.96,精度 0.85) 和垂直 (AUC 0.95,精度 0.86) 缺陷分类.
- 纳入性别和年龄元数据增强了模型的稳定性.
- 可解释性分析证实了该模型专注于相关的面部结构,其可靠性与人类评分器可比.
结论:
- FaceDSM-Net有效地从多式联络数据中对骨缺陷进行分类,具有良好的可解释性和适度的概括性.
- 该模型提供了一个具有成本效益的解决方案,用于早期查,诊断和纵向跟踪骨缺陷.
- FaceDSM-Net显示出作为临床决策支持工具的潜力,特别是在资源有限的环境中.
更多相关视频
09:10Digital Hybrid Model Preparation for Virtual Planning of Reconstructive Dentoalveolar Surgical Procedures
Published on: August 5, 2021
10:23Author Spotlight: Three-Dimensional Cephalometric Landmark Annotation Demonstration on Human Cone Beam Computed Tomography Scans
Published on: September 8, 2023
