在全景X射线图上,自动深度学习检测上切口器内由正学诱导的外部顶端根再吸收

科学领域:

• 人工智能在牙科中的应用
• 对于医学成像的深度学习
• ортодонтический诊断 牙科诊断 牙科诊断 牙科诊断

背景情况:

• ортодонтически诱导的外部角根再吸收 (OIEARR) 是 ортодонтической治疗的常见并发症.
• 准确检测和分类OIEARR对于患者管理和治疗结果至关重要.
• 目前的诊断方法依赖于手动解读放射图,这可能是主观的,耗时的.

研究的目的:

• 开发和比较两个基于YOLOv12的深度学习模型,用于自动化OIEARR分类.
• 为了评估对象检测 (OD) 模型与 OIEARR检测的姿势估计 (PE) 模型的性能.
• 评估这些模型在分析OIEARR严重性的全景射线图中的实用性.

主要方法:

• 追溯分析了624张来自312名固定牙科治疗的患者 (年龄在10-18岁) 的全景放射图.
• 开发两个YOLOv12模型:一个用于区域分析的OD模型和一个用于地标定位的PE模型.
• 由两位经验丰富的正牙医建立的基本事实,对大切口的OIEARR严重性进行了分级 (0-3级).

主要成果:

• 在所有指标上,PE模型显著优于OD模型,实现0.88对0.60的加权F1得分.
• PE模型显示了更高的准确性 (0.93比0.78),精度 (0.88比0.64),和回忆 (0.88比0.59).
• PE模型在1级 (F1=0.85),2级 (F1=0.88) 和3级 (F1=0.95) OIEARR分类方面表现出色.

结论:

• YOLOv12 PE模型是一个可靠而敏感的工具,用于检测和分类OIEARR在全景射线图上.
• 它的解剖本地化能力有助于早期诊断,并为临床决策支持提供优势.
• 这种深度学习方法有望提高OIEARR评估在正学的效率和准确性.