基于深度学习的牙细分用于增强牙异常和病理的可视化
Fulin Jiang1, Shihao Li2, Jialing Liu3
1Chongqing University Three Gorges Hospital, Chongqing University, Chongqing 400044, China.
概括
一种新的深度学习方法在Cone Beam CT扫描中准确地细分单个牙,改善牙异常的检测并减少牙医的诊断时间.
科学领域:
- 人工智能的人工智能
- 医疗成像医学成像
- 牙科 牙科是指牙科的专业.
背景情况:
- 检测牙异常对于口腔健康至关重要.
- 当前的可视化方法可能会耗时.
- 精确的牙细分有助于识别病理.
研究的目的:
- 开发和验证一种深度学习方法,用于在Cone Beam CT (CBCT) 扫描中实例级牙细分.
- 为了增强可视化和简化检测牙异常.
- 评估自动化细分的准确性和效率.
主要方法:
- 在470次CBCT扫描中训练了一种深度学习模型,其中包括各种牙异常和病史.
- 一个加速注释程序利用专家的输入来训练模型.
- 经验丰富的牙医在60次扫描中使用模型生成的细分验证了异常检测.
主要成果:
- 该模型在细分牙方面实现了高精度 (0.934±0.045雅卡德指数).
- 单个扫描的细分平均需要7.025 ± 2.885秒.
- 使用细分重叠的牙医将异常检测时间减少了20%.
结论:
- 深度学习框架在CBCT卷中提供自动化,准确的牙细分.
- 该系统表现出高的几何准确度和临床上可接受的处理时间.
- 这种精确的细分工具显示了通用牙科应用的巨大潜力.


