用于正畸教学影像中牙科患者身份保护的生成对抗网络
计算机视觉与模式识别
2023-07-06 v1 人工智能
摘要
目的：本研究引入一种新颖的保面积生成对抗网络（GAN）反演技术，用于有效对牙科患者图像进行去标识化。该创新方法在解决隐私问题的同时保留关键牙齿特征，从而为牙科教育与研究生成有价值的资源。方法：我们改进了现有的GAN反演方法，以最大化合成图像中牙齿特征的保留。开发了一个包含若干深度学习模型的综合技术框架，为图像去标识化提供端到端开发指导与实际应用。结果：我们的方法使用多样的面部图片进行了评估，这些图片广泛用于诊断骨骼不对称和面部异常。结果表明，我们的模型能够将一个图像的上下文适配到另一个图像，保持兼容性，同时保留对口腔诊断和牙科教育至关重要的牙齿特征。由五名临床医生组成的小组对一组原始图像和GAN处理图像进行了评估。生成的图像实现了有效的去标识化，保持了重要牙齿特征的真实感，并被认为对牙科诊断和教学有用。临床意义：我们的GAN模型及整体框架可简化牙科患者图像的去标识化流程，提升牙科教育效率。该方法通过让学生更多接触正畸错颌畸形，提高其诊断能力。此外，它有助于在主要研究机构创建用于更广泛2D图像研究的去标识化数据集。
引用
@article{arxiv.2307.02019,
title = {Generative Adversarial Networks for Dental Patient Identity Protection in Orthodontic Educational Imaging},
author = {Mingchuan Tian and Wilson Weixun Lu and Kelvin Weng Chiong Foong and Eugene Loh},
journal= {arXiv preprint arXiv:2307.02019},
year = {2023}
}