深度学习模型的性能评价,用于头脑测量放射图上的过咬分类别
Sultan Büşra Ay Kartbak1, Mehmet Birol Özel1, Muhammet Çakmak2
1Kocaeli University, Faculty of Dentistry, Department of Orthodontics, Kocaeli Turkiye.
European oral research
|March 5, 2026
概括
深度学习模型有效地从头脑测量X射线分类过度咬伤,EfficientNet B0和混合模型显示最佳性能. 这种方法提供了一个可靠的替代传统的头测量分析的过度咬伤分类.
科学领域:
- ортодонтика和牙科成像 牙科成像
- 医疗保健中的人工智能
- 医学图像分析 医学图像分析
背景情况:
- 过度咬伤的分类在牙科中至关重要.
- 传统的脑力测量分析可能会耗费大量时间.
- 深度学习为自动化图像分析提供了潜力.
研究的目的:
- 评估和比较深度学习算法用于过度咬伤分类.
- 评估各种模型在横向头脑测量放射图上的有效性.
- 确定人工智能的潜力,以取代传统的头脑测量分析.
主要方法:
- 利用了来自1062名患者的横向头脑电图.
- 将放射图分类为Overbite 1, 2, 和 3 组.
- 采用了六种深度学习模型 (ResNet101,DenseNet201,EfficientNetV2-B0,ConvNetBase,EfficientNet-B0,混合模型) 进行研究.
- 使用准确度,F1得分,MAE,卡帕和AUC-ROC评估的性能.
主要成果:
- 所有模型都实现了超过85%的分类准确度.
- 效率网B0和混合模型显示了最高的准确性.
- ConvNetBase模型显示了最低的分类准确度.
- 混矩阵和Grad-CAM可视化有助于解释.
结论:
- 深度学习模型可以准确地分类脑表超咬类别.
- 这种由人工智能驱动的方法可能会消除手动头脑测量分析的需要.
- 这项研究强调了深度学习在正牙诊断中的潜力.
更多相关视频
10:23Author Spotlight: Three-Dimensional Cephalometric Landmark Annotation Demonstration on Human Cone Beam Computed Tomography Scans
Published on: September 8, 2023
3.8K
05:49Author Spotlight: Advancing CBCT and Digital Dental Image Integration with AI-Assisted Digitization
Published on: February 23, 2024
1.6K