使用细分模型和分析皇冠损伤关系来检测固定假牙的牙周病变
Buse Cebi Gul1, Can Cebi2, Ersel Malkoc3
1Assistant Professor, Department of Prosthodontics, Faculty of Dentistry, Inonu University, Malatya, Turkey.
The Journal of prosthetic dentistry
|December 20, 2025
概括
使用YOLO11模型的人工智能准确地检测到牙中的牙周病变,在全景放射图上使用固定假肢. 这种人工智能工具还分析了皇冠损伤关系,有助于临床评估,并可能防止牙脱落.
科学领域:
- 牙科 牙科是指牙科的专业.
- 放射学 放射学是一门学科.
- 人工智能的人工智能
背景情况:
- 固定假肢牙的牙周病变通常在全景放射图上错过,延迟治疗,并冒着牙损失的风险.
- 手动检测耗时且容易出现错误,目前没有用于同时检测病变和冠状分析的自动化系统.
- 固定假肢可以掩盖周周病理的早期迹象,使诊断复杂化.
研究的目的:
- 评估基于YOLO11的人工智能 (AI) 模型的诊断准确性,以检测固定假肢牙中的周周病变.
- 用全景射线图上的自动化算法分析周周病变和牙冠之间的关系.
- 评估AI在识别假肢修复所掩盖的周围病理方面的表现.
主要方法:
- 一个由404张全景放射图组成的数据集被注释为皇冠和周周病变,总共有1686个标签.
- 在77%的数据上训练了五种YOLO11细分变体,在13%的数据上验证了,并在10%的数据上进行了测试.
- 使用精度,回忆和平均精度 (mAP) 来量化模型性能,并通过Python 3.9.9进行统计分析.
主要成果:
- YOLO11l-seg模型在检测周周病变 (mAP50:0.794) 和冠状 (mAP50:0.975-0.980) 方面取得了很高的性能.
- 自动分析显示,84.62%的病变与皇冠有关.
- 与上冠 (19.05%,P<.001) 相比,下冠显示了相关病变的明显更高的流行率 (52.24%) 和冠 (19.05%,P<.001).
结论:
- 基于YOLO11的AI模型在检测与固定假肢相关的周周病变方面表现出很高的准确性.
- 开发的AI算法有效地分析了皇冠损伤关系,为牙科专业人员提供了有价值的定量数据.
- 在复杂的假肢病例中,人工智能在改善周围病理的早期诊断方面表现有前途.
