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
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.
- 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.