一个端到端的深度学习系统,用于从放射视觉图像中对牙的细分和分类
Jasmine Marwaha1, Amar Nath2, Mamta Singla1
1Department of Conservative Dentistry and Endodontics, SGT Dental College, Hospital and Research Institute, SGT University, Gurugram, Haryana, India.
Journal of conservative dentistry and endodontics
|December 1, 2025
概括
这项研究介绍了一种人工智能系统,用于在X射线图像中自动检测牙腐烂. 深度学习管道准确地细分和分类,提高牙科放射学的诊断效率和一致性.
科学领域:
- 人工智能在牙科中的应用
- 医学成像分析 医学成像分析
- 为医疗保健提供深度学习.
背景情况:
- 牙损是全球普遍存在的口腔健康问题.
- 准确诊断牙对于预防牙脱落至关重要.
- 对放射视图 (RVG) 图像进行手动解读,以检测虫有局限性.
研究的目的:
- 从RVG图像开发和评估深度学习 (DL) 管道,用于自动细分和分类RVG图像上的牙损伤.
- 提高病诊断的准确性和效率.
- 减少牙科放射学诊断变化和时间限制.
主要方法:
- 使用了1200张匿名RVG放射图的数据集.
- 使用U-Net架构对病变进行像素分段.
- 一个ResNet-50网络被用于多类分类 (没有,质,牙).
- 数据集分为培训 (70%),验证 (15%) 和测试 (15%) 集.
主要成果:
- 细分模型实现了0.89.8的子得分.
- 该分类模型的准确性为93.2%,灵敏度为91.4%,特异性为95.1%,F1得分为0.92.
- 分类精确度很高:95% (没有),92% (面膜),91% (牙).
- 人工智能框架显著减少了诊断时间和观察者之间的变化.
结论:
- 在RVG图像中开发了一种全新的,全自动化的AI系统,用于牙损伤细分和分类.
- DL框架显示了作为临床决策支持工具的潜力,提高了诊断一致性和效率.
- 这些发现支持将人工智能整合到常规牙科诊断中,以更好地照顾患者和优化工作流程.
