基于深度学习的方法用于从基因病理图像中对odontogenic囊进行差异诊断
D Torul1, I-S Bayrakdar, M-H Bozkurt
1Department of Oral and Maxillofacial Surgery, Ordu University, Altınordu/Ordu, Turkey damlatorul@gmail.com.
Medicina oral, patologia oral y cirugia bucal
|November 22, 2025
概括
深度学习的人工智能模型显示出从组织病理学图像中诊断牙致瘤的前景. VGG16和VGG19实现了卓越的性能,有助于更快,更准确的诊断.
科学领域:
- 口腔病理学 口腔病理学
- 数字病理学数字病理学
- 医学中的人工智能
背景情况:
- 组织病理学图像对于诊断牙产生的囊至关重要.
- 不同诊断的odontogenic囊可能是具有挑战性的.
- 人工智能为提高诊断准确性和效率提供了潜力.
研究的目的:
- 开发和评估基于深度学习 (DL) 的人工智能 (AI) 方法,用于对牙发作性囊的差分诊断.
- 为了比较各种DL架构在分类异位病理学图像中对odontogenic囊的性能.
主要方法:
- 利用了血素和素 (H&E) 的数据集,从87个牙状囊 (DC),198个根状囊 (RC) 和63个牙生囊 (OKC) 中染色了他的病理学图像.
- 通过调整大小为224x224并应用三个不同的变焦级别来预处理图像.
- 它采用了经典的卷积神经网络 (CNN),Inception V3,VGG16,VGG19和Xception架构.
- 将数据集分为培训,验证和测试集.
主要成果:
- VGG16和VGG19模型表现出卓越的性能,平均精度为0.89.
- 经典CNN的平均准确率达到0.77.
- Xception和Inception V3模型的性能较低,平均准确度为0.62.
结论:
- VGG16和VGG19模型对基于人工智能的牙周囊诊断非常有效.
- 深度神经网络显示出作为口腔病理学决策支持工具的巨大潜力.
- 人工智能可以减少专业间的差异性,并加快诊断瘤的诊断过程.
