基于YOLOv8和YOLO11的全景牙科放射影像种植体类别自动分类与Grad-CAM可解释性研究

《Scientific Reports》：Automated classification of dental implant categories on panoramic radiographs using YOLOv8 and YOLO11 models

　　

摘要

本研究探讨了使用YOLOv8和YOLO11架构自动将全景放射影像分类为四种牙科种植体类别的可行性。所提出的框架旨在通过提供快速图像分析和Grad-CAM可视化，支持图像级种植体类别的自动分类，从而增强模型的可解释性。研究使用了一个公开数据集，包含10,214张全景牙科放射影像（OPGs），按四种种植体类型（骨内种植体、骨膜下种植体、骨穿透种植体和颧骨种植体）进行分类。数据集使用分层70%/15%/15%的划分方式分为训练集、验证集和测试集。YOLOv8（n、s、m）和YOLO11（n、s、m）模型均训练了50个周期。模型性能使用精确率、召回率、F1分数、mAP@50和mAP@50–95进行评估。此外，还开发了一个图形用户界面（GUI），以方便模型推理、Grad-CAM可视化和自动生成报告。在YOLOv8系列模型中，YOLOv8m取得了最佳的整体性能，测试精确率为0.9837，F1分数为0.9790，mAP@50–95最高达到0.7844。在YOLO11系列模型中，YOLO11s表现最为均衡，测试精确率为0.9887，F1分数为0.9800，mAP@50–95为0.7665，同时所需的训练时间远少于YOLOv8m。Grad-CAM可视化从定性角度表明，模型在代表性案例中关注了与种植体类别分类相关的放射影像区域。在所提出的公共数据集的实验条件下，该框架在自动将全景放射影像分类为四种牙科种植体类别方面展现了令人 promising 的性能。尽管结果表明基于YOLO的深度学习在支持自动种植体类别识别方面具有潜力，但在考虑更广泛的临床实施之前，仍需使用多中心数据集和专家生成的种植体级标注进行进一步验证。所提出的框架可作为自动种植体类别分类的辅助工具，适用于教育应用、研究数据库组织以及初步图像评估。该框架旨在补充而非取代专业临床判断，且需要进一步验证以确立其在多样化临床环境中的表现。