J Endod：AI对根尖周损伤CBCT影像CAD的影响
这篇研究的目的是为了评估一种深度学习(DL)运算方法对CBCT影像的自动分割以及根尖周损伤检测的影响。
这篇研究的目的是为了评估一种深度学习(DL)运算方法对CBCT影像的自动分割以及根尖周损伤检测的影响。
研究纳入了包含61个有或没有损伤牙根的小视野CBCT容积(n = 20)，比较依赖于临床医师与依赖于U-Net 结构体系的DL法分割之间的差异。分割标记每个体素作为5个中的1个范畴："损伤"(根尖周损伤)、"牙齿结构"、"骨"、"修复材料"和"背景"。通过深度学习分割法(DLS)并基于5倍交叉确认后重复拆分所有影像为一个训练组和一个验证组，随后结果取平均值。通过对分损伤的准确性检测评估DLS与依赖于临床医师的分割差异，并采用DICE指数评估每个标记的敏感性、特异性、阳性预测值、阴性预测值和体素匹配的准确性。
结果显示，DLS损伤的准确性为0.93，特异性为0.88、阳性预测值为0.87以及阴性预测值为0.93。个体标记的整个DICE指数中，损伤= 0.52， 牙齿结构= 0.74， 骨= 0.78， 修复材料= 0.58以及背景= 0.95。所有真实存在损伤的累积DICE指数为0.67。
结论：在一个有限的CBCT环境下，DL经过演练对于损伤检测的准确性展现出极好的结果。整体的体素匹配准确性可能会通过增强的AI版本而得到提升。
原始出处：
Frank C Setzer， Katherine J Shi， et al. Artificial Intelligence for the Computer-aided Detection of Periapical Lesions in Cone-beam Computed Tomographic Images. J Endod.， 2020 May 8;S0099-2399(20)30235-1. doi： 10.1016/j.joen.2020.03.025.
相关文章
评论
我要跟帖
.jpg)
