基于YOLOv8深度学习算法的全景片下颌骨髁突形态自动分类研究

来自口腔颌面放射学领域的研究人员利用YOLOv8算法，对2112个健康下颌髁突进行四类形态学自动分类。研究通过迁移学习和超参数调优，实现总体F1-score 0.769和mAP@0.5 0.786，其中"钩状指"类识别最优（F1-score 0.831），为颞下颌关节影像诊断提供智能化解决方案。

　　

这项开创性研究采用最新YOLOv8目标检测算法，对1056张全景放射片(panoramic radiographs)中的下颌骨髁突(mandibular condyle)展开形态学智能分类。研究团队精心标注了Round(圆形)、Angled(角形)、Diamond(菱形)和Crooked Finger-shaped(钩状指形)四类形态特征，通过迁移学习(transfer learning)和超参数调优(hyperparameter tuning)策略，使模型在测试集达到mAP@0.5达0.786的优异表现。

值得注意的是，算法对Crooked Finger类展现出惊人识别能力（召回率recall 0.870），而Diamond类则因特征模糊性面临挑战（精确度precision仅0.528）。这种非侵入性影像分析方法，为颞下颌关节紊乱症(TMD)的早期筛查提供了全新AI辅助诊断思路。研究采用的mAP@0.5评估指标和F1-score平衡性分析，充分体现了深度学习在医学影像细分领域的应用潜力。