基于深度学习的对象检测牙科植入系统在全景和周围的X线图中
Balaganesh Pachaiappan1, Rahmath Shameem Shafiullah2, Gajapathi Balaraman2
1Intern, Department of Prosthodontics, Sri Venkateswara Dental College & Hospital, Thalambur, Tamil Nadu, India.
The Journal of prosthetic dentistry
|February 15, 2026
概括
一个深度学习模型从X光图中准确识别了7个牙科植入系统,提高了诊断效率. 这种人工智能工具对减少植入式牙科中假体不匹配的可能性非常有希望.
科学领域:
- 人工智能在牙科中的应用
- 放射图像分析 放射图像分析
- 对于医学成像的深度学习
背景情况:
- 在X光照上手动识别牙科植入物是低效的,容易出错.
- 植入物品种的增加使得临床实践中的鉴定变得更加复杂.
- 缺乏临床文档加剧了诊断方面的挑战.
研究的目的:
- 开发和评估一个深度学习模型,用于自动识别7个牙科植入物系统.
- 使用全景和周围的X射线图来识别植入物.
- 提高诊断效率,支持牙修术中的临床决策.
主要方法:
- 一个数据集由4677个匿名的X光照和8189个植入器进行了策划和注释.
- 一个你只看一次 (YOLO) v10架构被用于实时检测.
- 模型训练涉及广泛的数据增强和500个时代的转移学习.
主要成果:
- YOLOv10模型实现了98.3%的平均平均精度 (mAP).
- 观察到高性能指标,包括93%的精度,86%的回忆率和89%的F1得分.
- 骨干植入物显示出出色的可辨别性,而诺贝尔植入物由于数据集稀疏而具有较低的回忆力.
结论:
- YOLOv10模型在牙植入物识别方面表现出强的性能.
- 这种人工智能方法显示了减少假肢不匹配的临床潜力.
- 未来的工作可能涉及3D成像和各种数据集,以进一步增强植入牙科中的AI.
