智能手机中使用口腔和牙齿 RGB 图像实现口腔疾病较早检测
通过全景 X 光影像来检测牙科疾病是牙医的标准程序,我们开发了 YOLOrtho,一个用于齿数目和牙科疾病检测的统一框架,通过牙齿位置关系、卷积层替换、模型架构调整、上采样和后处理策略等方法来提高检测性能。
Aug, 2023
该论文提出了一种解决 MICCAI 2023 全景 X 射线中牙齿枚举和诊断问题的方法,通过多阶段框架检测和分类异常牙齿,包括牙齿实例检测、健康实例过滤和异常实例分类等步骤,各模型的性能分别为 0.49 的 AP 分数、0.71 的 F1 分数和 0.76 的 F1 分数。
Aug, 2023
开发了一种计算机辅助诊断系统 (CAD),可通过作为牙医的第二意见,显著提高检测牙齿龋齿的能力;该系统由深度完全卷积神经网络 (FCNN) 组成,可对近 3000 个全口 X 光片进行自动诊断。与三名牙医的平均表现相比,我们的系统在召回和 F1-Score 方面的表现显著更好。
Nov, 2017
该研究描述了一个用于检测口腔放射影像中的牙科异常(例如龋齿、根尖病变、根管治疗缺陷、冠冕修复边缘缺陷、牙周骨质流失和牙石)的深度学习算法的临床验证研究设置、统计分析和结果,比较了使用该算法与不使用算法的牙科医生的检测性能,并通过统计学方法证明了结果的显著性提升。
Feb, 2024
利用 54,306 张植物叶片图像数据,训练深度卷积神经网络以识别 14 种作物和 26 种疾病,并利用全球智能手机渗透率的提高和近期深度学习中的计算机视觉技术,实现智能手机辅助作物疾病诊断的可行性。
Apr, 2016
利用深度学习图像处理技术,我们以口腔罕见疾病为背景进行研究,重点解决了数据稀缺所带来的挑战。通过使用由专家标注的 156 个口腔罕见疾病个体的全景放射片数据集,我们训练了检测转换器(DETR)神经网络来完成牙齿的检测、分割和编号,同时使用几何变换等数据增强技术。最后,通过稳定扩散的修复技术,我们生成了新的全景图像,将牙齿从全景放射片中移除并整合。结果显示,没有数据增强时,DETR 的平均精确度超过 0.69;使用数据增强技术后,平均精确度提高至 0.82。此外,使用修复技术生成的新的全景放射片展现出了有前景的性能,平均精确度达到 0.76。
Feb, 2024
使用机器学习算法开发了一个用于分类五种阴茎疾病的模型,该模型在验证数据集上表现出色,目前已在全球范围内使用,有潜力改善对阴茎疾病的诊断服务的可及性。
Mar, 2024
通过整合深度学习模型 U-Net 和 YOLOv8,本研究提出了全景 X 射线下牙齿分类和分割的高效可靠的新架构 BB-UNet,并提出了医学数据集用于评估,为牙科诊断领域中的目标检测模型的更广泛应用铺平了道路。
Jun, 2024