一个新鲜的肉虫 GAN 多损失 GAN 带有新的肉灵感的元启发术,用于儿科牙虫检测和细分
Amira Abdelhafeez Elkhatib1, Mostafa Elbaz2, Riham Sobhy Soliman3
1Pediatric Dentistry and Dental Public Health, Faculty of Oral and Dental Medicine, Kafrelsheikh University, Kafrelsheikh, Egypt.
Scientific reports
|January 8, 2026
概括
这项研究介绍了Pulp-Caries-GAN,这是一种新的生成对抗网络,可以创建高准确度的合成牙图像,用于早期儿科牙虫检测. 生物仿真优化显著改善图像质量,并有助于自动诊断.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 生物医学工程 生物医学工程
背景情况:
- 儿童牙损伤的早期检测受到有限的注释数据集和微妙的病变呈现的阻碍.
- 生成对抗网络 (GAN) 对医学图像合成有希望,但需要对解剖学准确性进行改进.
研究的目的:
- 开发一个新的GAN框架,Pulp-Caries-GAN,具有生物仿真优化,用于高保真性合成牙图像生成.
- 改进使用增强合成数据的儿童群体早期牙损伤的自动检测.
主要方法:
- 一个多损失架构,结合对抗性,像素智能,感知和结构相似性损失.
- 整合一个灵感来自肉的元启发功能,通过解剖掩饰来实现解剖连贯性和空间适应性规范化.
- 在儿科牙科全景数据集上进行实验验证 (193张图像,106名2至13岁患者).
主要成果:
- 与传统的GAN相比,Pulp-Caries-GAN实现了更高的图像合成质量 (FID: 154.87,IS: 80.12,PSNR: 80.04).
- 合成图像显著提高了细分性能,等级密度U-Net实现了子:95.12%,准确度:95.65%,精度:95.32%,回忆:93.7%.
- 临床验证显示,87%的合成图像与真实X射线图无法区分,其中94%的病变呈现正确的进展.
结论:
- 生物仿真优化对于医学图像合成是有效的,增强了解剖完整性和减少了文物.
- Pulp-Caries-GAN为自动化儿科牙损伤检测提供了一个强大的框架,具有临床翻译的潜力.
- 这项研究强调了灵感来自肉质的损失和解剖面具对于高质量的合成医疗图像生成的重要性.
