使用深度学习的牙周骨损失的自动分类放射图
Mohammed Abdulla Salim Al Husaini1, Mohamed Hadi Habaebi2, Seema Yadav3
1Faculty of Computer Studies, Arab Open University (AOU), Muscat, Oman.
Biomedical engineering and computational biology
|December 18, 2025
概括
ResNet-50在分类牙周骨损失从骨科影像 (OPG) 中表现出卓越的准确性. 这种深度学习模型有助于牙科专业人员更快,更准确地检测牙周病,改善诊断和治疗计划.
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
- 对于检测牙周病的深度学习.
背景情况:
- 牙周炎是一种普遍的炎症性疾病,如果不治疗,会导致牙脱落.
- 早期准确地分类牙周骨质损失从牙科放射是有效的患者管理至关重要的.
- 骨科透视图 (OPG) 是常用的牙科放射图,用于评估牙周健康.
研究的目的:
- 为了评估和比较三个深度学习架构的性能:InceptionV3,InceptionV4和ResNet-50.
- 评估它们在基于牙周骨损失等级的OPG分类中的有效性.
- 确定用于检测牙周炎的自动化OPG分析最有效的深度学习模型.
主要方法:
- 使用卷积神经网络 (CNN) 架构进行比较的实验设计.
- 在OPG图像上对InceptionV3,InceptionV4和ResNet-50进行培训和评估.
- 实现图像数据增强和超参数调整 (时代,学习速率,优化器) 以优化模型性能.
主要成果:
- 在第16个时代,ResNet-50实现了最高的精度 (96.8%).
- 在精度,回忆和F1分数方面,ResNet-50的表现优于InceptionV3和InceptionV4.
- 这项研究使用了MATLAB和GeForce RTX 4060 GPU进行模型训练和评估.
结论:
- 与InceptionV3和InceptionV4.4相比,ResNet-50提供了更高的准确性和可靠性来分类OPG产生的牙周骨损失.
- 基于深度学习的OPG分类系统显示出有很大的潜力,可以帮助牙科专业人员在早期检测牙周病.
- 通过数据集扩展和高级超参数调整可以实现进一步的改进.
