一种基于自适应增强的混合CNN模型用于数字牙科X光片位置分类
图像与视频处理
2020-05-05 v1 计算机视觉与模式识别
摘要
牙科X光片的分析是日常临床实践中诊断过程的重要组成部分。专家的解读包括牙齿检测和编号。在本项目中，提出了一种基于自适应直方图均衡化和卷积神经网络(CNN)的新颖解决方案，该方案自动执行牙科X光片的检测任务。为了提高检测精度，我们基于一些先验领域知识，提出了三种预处理技术来补充基线CNN。首先，使用图像锐化和中值滤波去除脉冲噪声，并在一定程度上增强边缘。其次，使用自适应直方图均衡化来克服HE过度放大噪声的问题。最后，提出了一种多CNN混合模型来对六种不同位置的牙片进行分类。结果表明，测试集的准确率和特异性超过90%，AUC达到0.97。此外，我们邀请了四位牙医独立地对测试数据集进行手动标注，然后将其与我们提出的算法获得的标签进行比较。结果表明，我们的方法能够有效识别牙齿的X光片位置。
引用
@article{arxiv.2005.01509,
title = {An Adaptive Enhancement Based Hybrid CNN Model for Digital Dental X-ray Positions Classification},
author = {Yaqi Wang and Lingling Sun and Yifang Zhang and Dailin Lv and Zhixing Li and Wuteng Qi},
journal= {arXiv preprint arXiv:2005.01509},
year = {2020}
}
备注
arXiv admin note: text overlap with arXiv:1802.03086 by other authors