
-
生物通官微
陪你抓住生命科技
跳动的脉搏
基于深度学习卷积神经网络算法的全景图像DMF-T评估
《Scientific Reports》:DMF-T assessment on panoramic images using deep learning-based convolutional neural network algorithm
【字体: 大 中 小 】 时间:2026年07月23日 来源:Scientific Reports 4.9
编辑推荐:
摘要基于图像的自动化口腔健康指标评估方法能够提升诊断一致性,有助于大规模的口腔疾病监测。本研究利用深度学习领域的最新物体检测技术,探索了一种基于卷积神经网络的方法,用于从全景X光片中计算龋齿、缺失牙和补牙牙的数量(DMFT指数)。研究共回顾性收集了1,316张18岁以上患者的匿名
基于图像的自动化口腔健康指标评估方法能够提升诊断一致性,有助于大规模的口腔疾病监测。本研究利用深度学习领域的最新物体检测技术,探索了一种基于卷积神经网络的方法,用于从全景X光片中计算龋齿、缺失牙和补牙牙的数量(DMFT指数)。研究共回顾性收集了1,316张18岁以上患者的匿名数字全景图像,并根据世界卫生组织的标准对这些图像进行标注。根据FDI编号系统,牙齿被标记为健康、龋齿或已补牙状态,而缺失牙则是通过与完整的32颗牙作为参考框架进行比对来识别的。该数据集被随机划分为训练集、验证集和测试集。为了实现自动化的单颗牙齿分析,研究采用了基于YOLOv11的卷积神经网络物体检测框架,用以同时检测并分类全景图像中的单个牙齿。模型性能通过精确度、召回率、F1分数、平均精度均值(mAP)以及缺失牙检测准确率等指标来评估。基于YOLOv11的模型在自动化DMFT指数评估方面表现出色(mAP@0.5=0.839;F1分数=0.819)。其中,补牙牙的分类准确率最高,而龋齿的检测与分类准确率相对较低。缺失牙的识别准确率为95.48%。这些研究结果表明,所提出的基于YOLOv11的框架能够从全景X光片中可靠地估算出单颗牙齿的DMFT指数,有望成为流行病学监测和临床实践中的决策辅助工具。未来还需进一步优化该方法,以提高早期龋齿的检测能力。