传统诊断方法难以实现儿童龋病的早期发现,深度学习技术主要应用在口腔X光片诊断,缺少可参考的数据集及诊断方法,导致口腔龋齿预防技术进展缓慢;因此提出了一种基于牙齿颌面轮廓与窝沟的儿童龋齿预防算法的医学标准,开发了一套判断牙齿...传统诊断方法难以实现儿童龋病的早期发现,深度学习技术主要应用在口腔X光片诊断,缺少可参考的数据集及诊断方法,导致口腔龋齿预防技术进展缓慢;因此提出了一种基于牙齿颌面轮廓与窝沟的儿童龋齿预防算法的医学标准,开发了一套判断牙齿早期是否患龋的算法;采用U-Net网络和注意力机制实现牙齿颌面识别分类,分别对颌面轮廓和窝沟形态的标准进行分类训练并对比效果,进而对两个模型进行加权融合,在α=0.5,γ=0.5时,模型融合效果最佳,AUC(Area Under Curve)达到0.7792、准确率(ACC)达到0.9026、F1-score达到0.9061;实验结果表明:融合模型效果高于单独使用基于颌面轮廓的模型和单独使用基于窝沟的模型,为儿童预防龋齿提供了一种新的解决方案。展开更多
文摘传统诊断方法难以实现儿童龋病的早期发现,深度学习技术主要应用在口腔X光片诊断,缺少可参考的数据集及诊断方法,导致口腔龋齿预防技术进展缓慢;因此提出了一种基于牙齿颌面轮廓与窝沟的儿童龋齿预防算法的医学标准,开发了一套判断牙齿早期是否患龋的算法;采用U-Net网络和注意力机制实现牙齿颌面识别分类,分别对颌面轮廓和窝沟形态的标准进行分类训练并对比效果,进而对两个模型进行加权融合,在α=0.5,γ=0.5时,模型融合效果最佳,AUC(Area Under Curve)达到0.7792、准确率(ACC)达到0.9026、F1-score达到0.9061;实验结果表明:融合模型效果高于单独使用基于颌面轮廓的模型和单独使用基于窝沟的模型,为儿童预防龋齿提供了一种新的解决方案。
