AI 助力超声下颌骨髁突精准分割：开启口腔医学诊断新篇章

为解决超声图像中下颌骨髁突分割的问题，研究人员开展基于深度学习的相关研究。利用 YOLOv8 模型对 668 张超声图像进行分析，该模型 F1 分数达 0.93，敏感性 0.90，精度 0.96 ，有助于节省诊断时间。

　　深度学习技术在多个领域展现出潜力，在医学图像处理方面也有应用。本研究旨在开发并评估用于超声图像中下颌骨髁突（Mandibular Condyle）分割评估的计算机诊断软件。研究人员分析了 668 张匿名成人下颌骨髁突的回顾性超声图像，借助 CranioCatch 标记程序，采用多边形标记法标注下颌骨髁突，标注结果经口腔颌面放射学专家审核确认。研究中，所有测试图像都运用 YOLOv8 深度学习人工智能（AI）模型进行检测和分割。在评估该模型的图像预测性能时，其 F1 分数达到 0.93，敏感性为 0.90，精度为 0.96。从超声图像中自动分割下颌骨髁突，彰显了人工智能在医学领域的应用前景，能够帮助外科医生、放射科医生及其他专科医生节省诊断时间。