牙科diff:在牙科全景放射图中瘤和囊细分的扩散概率模型

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 放射学 放射学是一门学科.

背景情况:

• 在全景放射图中精确细分牙异常对于诊断和治疗至关重要.
• 传统的基于卷积神经网络 (CNN) 的方法与模糊的边界,复杂的结构和成像噪声作斗争.

研究的目的:

• 推出Dentaldiff,一种基于扩散的新型模型,用于在牙科全景放射图中增强瘤和囊的细分.
• 为了提高细分性能和对抗噪声和复杂解剖变化的强度.

主要方法:

• 开发了Dentaldiff,这是一个基于扩散的细分模型,包含动态特征融合和代无声化.
• 使用修改后的DenseUNet架构来优化细分精度.
• 使用平均交叉与联盟 (IoU) 和子得分进行评估的表现.

主要成果:

• 牙diff实现了最先进的性能,平均IOU为0.61±0.07和Dice分数为0.75±0.05.
• 优于现有的基于CNN的方法,特别是在模糊边界和噪音的情况下.
• 在牙科放射图中证明了复杂解剖结构的有效处理.

结论:

• 牙科diff代表了扩散模型在牙科全景细分方面的首次应用.
• 该模型显示出临床应用的巨大潜力,因为它在具有挑战性的细分任务中具有卓越的性能.
• 这种基于扩散的方法比牙图像分析的传统CNN方法提供了有前途的进步.