使用圆束计算机断层扫描和卷积神经网络自动识别辅助精神

科学领域:

• 放射学 放射学是一门学科.
• 人工智能的人工智能
• 牙科解剖学 牙科解剖学

背景情况:

• 在牙科手术中,辅助精神 (AMF) 的识别至关重要.
• CBCT成像被广泛用于牙科诊断.
• 观察者的变化可能会影响AMF检测的准确性.

研究的目的:

• 开发和评估使用CBCT自动检测AMF的深度学习系统.
• 为了比较两种CNN架构 (自定义轻量级CNN和ResNet-50) 的AMF检测性能.
• 评估深度学习模型的临床可靠性和解剖学相关性.

主要方法:

• 追溯分析700个使用AMF的CBCT扫描和700个对照扫描的CBCT扫描.
• 培训定制的CNN和ResNet-50模型用于二进制AMF分类.
• 使用准确度,精度,回忆,F1得分和Grad-CAM可视化进行评估.

主要成果:

• 与定制CNN (71.1%) 相比,ResNet-50的整体准确性更高 (85.8%).
• ResNet-50的异常回忆率从0.68提高到0.88,减少了63%的错过检测.
• 格拉德-CAM证实了专注于解剖学相关区域的模型,表明了临床可解释性.

结论:

• 在CBCT上基于深度学习的AMF检测是一种可靠和高效的诊断工具.
• 这种自动化方法最大限度地减少了观察者偏见,并增强了临床决策.
• 改进的诊断准确性通过一致的,独立于观察者的评估,减少了手术并发症风险.