为了在全景射线图中准确定位闭合平面:深度学习辅助研究
1Department of Software Engineering, Faculty of Engineering, Muğla Sıtkı Koçman University, Muğla, Türkiye.
Oral radiology
|January 9, 2026
概括
深度学习模型,特别是ResNet18,有效地对全景射线图 (PR) 中的头部定位错误进行分类. 卷积神经网络 (CNN) 在改善牙科成像标准化和诊断可靠性方面表现有前途.
科学领域:
- 医疗成像中的人工智能
- 牙科放射学 牙科放射学
- 深度学习应用程序
背景情况:
- 全景射线图 (PRs) 对于牙科诊断至关重要.
- 头部定位错误可能会损害PR图像质量和诊断准确性.
- 为了标准化,需要自动检测这些错误.
研究的目的:
- 评估深度学习 (DL) 架构的有效性,用于PRs.中头部定位错误的自动分类.
- 为了比较卷积神经网络 (CNN) 和视觉变压器 (ViT) 模型的性能.
- 确定最佳的DL模型,以提高公关质量.
主要方法:
- 480个匿名公关图像的回顾性收集.
- 数据集由经验丰富的口腔放射科医生对闭塞平面方向进行分类.
- 将数据分为培训 (70%),验证 (15%) 和测试 (15%) 集.
- 使用转移学习微调预训练的CNN和ViT模型.
- 使用准确度,精度,回忆,F1得分和ROC-AUC的性能评估.
主要成果:
- ResNet18 (CNN) 实现了最高的性能,精度和F1得分为0.84.
- 视觉变压器 (ViT) 模型显示性能较低 (精度和F1得分:0.77),可能是由于数据集大小较小.
- 与ViT相比,ResNet18表现出更高的区分能力,ROC-AUC值表明了这一点.
结论:
- 这项研究是第一个全面评估CNN和ViT架构的研究,用于检测PRs中的封闭平面定位错误.
- 基于CNN的模型,特别是ResNet18,可以有效地识别这些错误.
- 实施这些DL模型可以减少定位错误,提高图像质量,提高牙科实践中的诊断可靠性,特别是对于经验较少的操作人员.
