目的探讨基于卷积神经网络算法的人工智能(AI)计算机辅助诊断系统在锥形束CT(CBCT)影像上识别慢性根尖周炎根尖区病变的应用。方法收集北京大学口腔医院第二门诊部2017年1月—2021年12月累及单牙根的慢性根尖周炎的CBCT影像,总计49例患...目的探讨基于卷积神经网络算法的人工智能(AI)计算机辅助诊断系统在锥形束CT(CBCT)影像上识别慢性根尖周炎根尖区病变的应用。方法收集北京大学口腔医院第二门诊部2017年1月—2021年12月累及单牙根的慢性根尖周炎的CBCT影像,总计49例患者55个牙位。由5位中级职称的临床医生通过Materialize MimicsMedical软件对慢性根尖周炎病变区域识别并进行手动逐层分割,然后通过AI 3D U-Net网络对病损特征进行深度学习,网络分割结果与手动分割数据的一致性,本研究通过交联比(IOU)、Dice系数、像素精确度(PA)在测试集上进行评价。结果神经网络在测试集的IOU为92.18%,Dice系数为95.93%,PA为99.27%。结论AI和临床医师的慢性根尖周炎病变检出和分割一致性较高,基于本研究深度学习方法的AI系统为下一步检测CBCT图像中的慢性根尖周炎奠定了基础。展开更多
文摘目的探讨基于卷积神经网络算法的人工智能(AI)计算机辅助诊断系统在锥形束CT(CBCT)影像上识别慢性根尖周炎根尖区病变的应用。方法收集北京大学口腔医院第二门诊部2017年1月—2021年12月累及单牙根的慢性根尖周炎的CBCT影像,总计49例患者55个牙位。由5位中级职称的临床医生通过Materialize MimicsMedical软件对慢性根尖周炎病变区域识别并进行手动逐层分割,然后通过AI 3D U-Net网络对病损特征进行深度学习,网络分割结果与手动分割数据的一致性,本研究通过交联比(IOU)、Dice系数、像素精确度(PA)在测试集上进行评价。结果神经网络在测试集的IOU为92.18%,Dice系数为95.93%,PA为99.27%。结论AI和临床医师的慢性根尖周炎病变检出和分割一致性较高,基于本研究深度学习方法的AI系统为下一步检测CBCT图像中的慢性根尖周炎奠定了基础。
