基于卷积神经网络的移位型牙根折裂人工智能诊断的初步研究

作     者：胡燕妮 曹丹彤 王柏鑫 陈颖 林梓桐 HU Yanni;CAO Dantong;WANG Baixin;CHEN Yin;LIN Zitong

作者机构：南京大学医学院附属口腔医院南京市口腔医院口腔颌面医学影像科江苏南京210008 南京大学电子科学与工程学院江苏南京210023 

出 版 物：《口腔医学研究》 (Journal of Oral Science Research)

年 卷 期：2022年第38卷第10期

页      面：959-962页

学科分类：1003[医学-口腔医学] 100302[医学-口腔临床医学] 10[医学] 

基　　金：江苏省南京市卫生科技发展项目(编号:YKK19090) 江苏省医学会科研专项资金资助[编号:SYH-3201150-0007(2021002)] 江苏省卫生健康委面上项目(编号:M2021077) 

主　　题：移位型牙根折裂 卷积神经网络 锥形束CT 

摘      要：目的:探讨卷积神经网络(convolutional neural network,CNN)在移位型牙根折裂(displaced root fracture,DRF)锥形束CT(cone beam computed tomography,CBCT)图像诊断中的应用价值。方法:筛查我院就诊的286例DRF患者的CBCT图像,分别采用自动截图和人工截图的方法获得兴趣区并人工标注阳性或阴性,使用ResNet 50分别进行训练并建立诊断模型,并计算两种截图方式所建立的诊断模型的准确率、特异度和灵敏度。结果:286名患者中,164名患者的CBCT图像用于自动截图,122名患者的CBCT图像用于人工截图。自动截图组中,训练集包括阳性图片184幅和阴性图片186幅,测试集包括阳性图片64幅和阴性图片66幅;人工截图组中,训练集包括阳性图片96幅和阴性图片114幅,测试集包括阳性图片32幅和阴性图片36幅。人工截图组模型诊断的准确率为98.5%、特异度为100%,灵敏度为96.9%,自动截图组模型诊断的准确率为90.0%,特异度为95.5%,灵敏度为84.4%。结论:卷积神经网络ResNet 50对于移位型牙根折裂具有良好的诊断效能。