Search research articles

Search research articles

相关实验视频

Updated: Mar 15, 2026

Application of Deep Learning-Based Medical Image Segmentation via Orbital Computed Tomography

Application of Deep Learning-Based Medical Image Segmentation via Orbital Computed Tomography

Published on: November 30, 2022

使用新型混合CNN-ViT基于深度学习模型对上鼻膜形态的评估:自动化分类研究.

Nurullah Duger¹, Furkan Talo², Gulucag Giray Tekin³

¹Department of Periodontology, Faculty of Dentistry, Firat University, Elazig 23119, Turkey.

Diagnostics (Basel, Switzerland)

|March 14, 2026

概括

相关概念视频

您也可能阅读

相关文章

通过共同作者、期刊和引用图与本文相关的文章。

排序

Same author

CT-Based Liver Segmentation for Liver Surgery: A Hybrid Approach Based on 3D U-Net-ELM Model.

Biomedicines·2026

Same author

The effect of periodontal treatment on tongue covering and olfactory function in patients with periodontitis.

Odontology·2026

Same author

An Attention-Enhanced RegNetY Framework for Detection and Classification of Vertical Misfit in Implant-Supported Restorations: A Retrospective Study.

Diagnostics (Basel, Switzerland)·2026

Same author

Automated Classification of Maxillary Sinus Ostium Patency Using a ConvNeXt-Tiny + DeiT Gated MLP-Based Hybrid Deep Learning Model: A Retrospective CBCT Study.

Diagnostics (Basel, Switzerland)·2026

Same author

Retrospective CBCT-based analysis of anatomical and demographic factors in implant planning for the maxillary first molar region.

BMC oral health·2026

Same author

Automated Classification of Alveolar Bone Defects for Preoperative Augmentation Planning Using Deep Learning.

The International journal of oral & maxillofacial implants·2026

关于 JoVE

概览领导团队博客 JoVE 帮助中心

作者

出版流程编辑委员会范围与政策同行评审常见问题投稿

图书馆员

用户评价订阅访问资源图书馆顾问委员会常见问题

研究

JoVE Journal Methods Collections JoVE Encyclopedia of Experiments 存档

教育

JoVE Core JoVE Business JoVE Science Education JoVE Lab Manual 教师资源中心教师网站

使用条款与条件

结合卷积神经网络 (CNN) 和视觉转换器 (ViT) 的新混合深度学习模型,从CBCT扫描中准确地分类了上鼻膜形态. 这种人工智能工具有助于在牙科植入程序之前评估外科风险.

科学领域:

医学成像分析医学成像分析
医疗保健中的人工智能
用于医学诊断的深度学习

背景情况:

鼻膜形态分类对于预测诸如穿孔和鼻炎之类的手术风险至关重要.
当前的方法在分类各种形态方面可能缺乏准确性或效率.
圆束计算机断层扫描 (CBCT) 为鼻分析提供了详细的解剖数据.

研究的目的:

开发和验证混合深度学习模型,用于对上鼻膜形态的自动分类.
使用CBCT图像区分正常,平面,多重形和阻塞类型.
为了提高诊断准确度和植入体外科手术的临床决策支持.

主要方法:

一组959张CBCT图像的数据集被策划并分为四种形态类型.
开发了一个混合模型,将CNN集成为本地特征和ViT集成为全球背景.
性能与已建立的CNN和ViT模型相比,使用准确度,精度,回忆和F1分数进行了评估.

主要成果:

混合CNN-ViT模型实现了98.44%的卓越整体精度,超过了ResNet50和ViT-B16.
该模型在"障碍物"类 (100%的准确度) 和"平坦" (98.21%) 和"多重体" (98.04%) 形态的高准确度方面表现出了卓越的性能.

关键词:

在美国,CNN是CNN.这里是ViT ViT ViT 人工智能的人工智能是人工智能.圆束计算机断层扫描技术深度学习是一种深度学习.上腺鼻 (maxillary sinus) 是一个上腺鼻.

相关实验视频

Last Updated: Mar 15, 2026

Application of Deep Learning-Based Medical Image Segmentation via Orbital Computed Tomography

Application of Deep Learning-Based Medical Image Segmentation via Orbital Computed Tomography

Published on: November 30, 2022

混合方法有效地解决了使用有限数据集的标准ViT模型的局限性.

结论:

拟议的混合CNN-ViT模型提供了一个高度准确和可靠的方法来分类上鼻膜形态.
这种人工智能工具可以作为一个有价值的临床决策支持系统,用于术前风险评估.
在植入器手术和鼻底部升高之前对风险因素的客观评估是这种技术所促进的.