利用机器学习算法和CLAHE技术在不同临床光照条件下对口腔内图像中的牙齿颜色进行预测：一项体内研究

《Lasers in Medical Science》：Tooth color prediction in intraoral images under different clinical lights using ML algorithms and CLAHE technique: an In-Vivo study

牙齿颜色预测模型基于机器学习与CLAHE图像增强技术，在五种临床光环境下实现97%准确率，有效解决光照变化导致的颜色偏差问题，为义齿修复提供低成本标准化工具。

　　

摘要

牙齿颜色选择是假牙治疗中的关键步骤。然而，这一过程常常受到主观性、环境光线变化以及仪器方法成本高昂或缺乏标准化的影响。本研究旨在利用机器学习（ML）技术开发一种一致且可靠的牙齿颜色预测模型，即使在不同的临床光照条件下也能发挥作用。研究人员从志愿患者处收集了在五种不同光源下的前牙口腔内图像。这些牙齿图像经过标注、分割，并与相应的颜色标签进行匹配。研究采用了LAB颜色空间，并对L通道应用了CLAHE（对比度限制自适应直方图均衡化）技术以减少光线引起的眩光。为了解决类别不平衡问题，进行了数据增强处理，最终得到了包含16,640张图像的平衡数据集。该数据集被分为80%的训练集和20%的测试集。评估了五种机器学习算法：随机森林（RF）、K最近邻（KNN）、逻辑回归、决策树和XGBoost。实验结果表明，RF和XGBoost在预测不同光照条件下的牙齿颜色时均取得了最高的准确率，准确率均为97%。这些结果证明了该方法在多变光照条件下的稳健性。研究表明，结合CLAHE等图像增强技术的机器学习算法能够提供准确且不受光线影响的牙齿颜色预测。所提出的方法为假牙临床决策提供了一种实用且低成本的工具，有望提升颜色匹配过程的标准化和效率。