深度学习模型用于评估在全景放射图中后牙和 sinus 之间的解剖关系
Akram Fallah1, Parisa Soltani1,2, Mojdeh Mehdizadeh1
1Department of Oral and Maxillofacial Radiology, Dental Implants Research Center, Dental Research Institute, School of Dentistry, Isfahan University of Medical Sciences, Isfahan, Iran.
Clinical and experimental dental research
|December 16, 2025
概括
深度学习模型在全景X射线上准确地预测了大牙和鼻之间的关系. ResNet和ResNeXt显示出高效率,在形光束CT无法使用时有助于牙科诊断.
科学领域:
- 放射学和人工智能的人工智能
- 牙科成像分析 牙科成像分析
- 医疗保健中的深度学习
背景情况:
- 精确评估后牙与鼻关系对于牙科手术,如正牙科,手术和植入术至关重要.
- 全景放射是常见的成像方式,但精确的解剖评估可能具有挑战性.
研究的目的:
- 用全景图像评估深度学习模型在预测后牙和 sinus之间的解剖关系方面的有效性.
- 为了完成这个任务,比较不同卷积神经网络架构 (VGG,ResNet,ResNeXt) 的性能.
主要方法:
- 300张全景图像被加工成1760个剪切片 (512x512像素).
- 在80%的数据上训练了三个卷积神经网络模型 (VGG,ResNet,ResNeXt),在10%的数据上验证了10%,并在10%的数据上进行了测试.
- 使用准确度,精度,回忆,F1分数和ROC-AUC来评估性能.
主要成果:
- ResNet和ResNeXt模型在0.88的指标和0.93-0.94.9的ROC-AUC值方面实现了卓越的性能.
- VGG模型实现了0.84的精度和0.89.89的ROC-AUC.
- 在30-50个时代后,在ResNet和ResNeXt中观察到过度装配;在鼻腔附近的第二上发现了假阳性.
结论:
- 深度学习模型,特别是ResNet和ResNeXt,可靠地从全景X射线图中评估大牙-鼻解剖关系.
- 这些人工智能模型可以作为有价值的诊断工具,增强临床决策,特别是当形光束CT (CBCT) 无法访问时.
