开发一个3D卷积神经网络,用于对高优先级的口腔和面CBCT扫描进行选

科学领域:

• 口腔和面放射学 口腔和面放射学
• 人工智能在医学中的应用
• 医学成像分析 医学成像分析

背景情况:

• 圆束计算机断层扫描 (CBCT) 对于诊断口腔和面部疾病至关重要.
• 有效地分类CBCT扫描对于及时的患者管理至关重要.
• 开发自动化系统可以改善解释复杂医疗图像的工作流程.

研究的目的:

• 开发和评估一个基于神经网络的诊断系统,用于口腔和面CBCT扫描.
• 要区分需要立即注意的高优先级扫描和常规病例.
• 建立一个人工智能工具,用于识别CBCT成像中的重要发现.

主要方法:

• 200个口腔和面CBCT扫描被追溯收集并分为高优先级 (A组) 和常规 (B组) 队列.
• 使用Python和Keras开发了两个3D卷积神经网络 (3D-CNN) 模型,包括修改的VGG-16架构 (模型2).
• 模型在70%的训练集上接受训练,并在30%的训练集上进行验证,使用数据增强,Adam优化器和早期停止,通过ROC-AUC,准确性,精度,回忆和F1得分来评估性能.

主要成果:

• 这两种3D-CNN模型在区分高优先级CBCT扫描时都表现出色.
• 基于修改后的VGG-16架构的模型2在验证集中实现了0.918的略高的平均ROC-AUC.
• 模型2在训练过程中实现了高精度 (0.960) 和精度 (0.962) 的高精度,表明了强大的性能.

结论:

• 成功开发了一种3D-CNN模型,用于准确分类口腔和面CBCT扫描.
• 这种人工智能系统在识别高优先级病例方面表现有前途,有可能提高诊断效率.
• 这项研究代表了3D-CNNs首次用于口腔和面CBCT扫描的自动分拣.