使用深度学习进行自动化空洞检测和分类

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
• 深度学习用于诊断.

背景情况:

• 准确的牙腔检测对于早期诊断和治疗计划至关重要.
• 传统的深度学习方法通常在整个图像上使用二进制分类,缺少局部细节.
• 需要改进的人工智能模型,可以以更细的颗粒度分析牙X射线.

研究的目的:

• 开发和评估一种人工智能辅助的多尺度方法,用于牙腔的分类和检测.
• 用Ultralytics YOLOv11框架比较图像层面与牙层面分析的性能.
• 评估人工智能在牙科X光学中局部腔检测的有效性.

主要方法:

• 在对象检测和分类任务中使用了Ultralytics YOLOv11框架.
• 开发并比较了两个主要方法:图像级 (全景) 和牙级分析.
• 在测试数据集上使用准确度,平均精度 (mAP@50) 和回忆等指标评估模型性能.

主要成果:

• 单牙分类模型实现了0.854的测试准确度,全景分类略高于0.864.
• 对于腔腔检测,牙水平模型表现出卓越的性能,mAP@50为0.845,显著优于全景方法 (0.669).
• 牙水平模型实现了显著更高的回忆率 (0.743比0.394),表明腔的局部化更好.

结论:

• 与图像级方法相比,牙级人工智能分析对于精确的牙腔检测具有显著的优势.
• 该研究强调了基于细分和基于直接图像的AI方法在牙科诊断中的权衡.
• 未来的研究应该专注于改进细分技术和验证模型在不同的临床成像条件.