PaXNet：基于集成迁移学习与胶囊分类器的全景X光牙龋检测
计算机视觉与模式识别
2020-12-29 v1 人工智能
摘要
牙龋是最具慢性特征的疾病之一，涉及大多数人一生中的某个阶段。龋损通常由放射科医生依靠视觉检查通过牙科X光进行诊断。在许多情况下，牙龋难以通过X光识别，并可能因图像质量低等不同原因被误认为阴影。因此，开发用于龋损检测的辅助决策系统近年来成为研究热点。据我们所知，本文首次提出一种用于全景图像中牙龋自动检测的辅助诊断系统。所提模型通过迁移学习利用多种预训练深度学习模型从X光中提取相关特征，并使用胶囊网络得出预测结果。在一个包含470张用于特征提取的全景图像（其中240张标注图像用于分类）的数据集上，我们的模型在测试集上取得了86.05%的准确率。该得分展示了可接受的检测性能及龋损检测速度的提升，前提是考虑到使用真实患者全景X光所面临的挑战。在测试集含龋损的图像中，我们的模型对轻度和重度龋损的召回率分别为69.44%和90.52%，证实了重度龋斑更易检测、而高效的轻度龋损检测需要更鲁棒且更大的数据集这一事实。鉴于当前研究在使用全景图像方面的新颖性，本工作是迈向开发全自动化高效辅助决策系统以协助领域专家的一步。
引用
@article{arxiv.2012.13666,
title = {PaXNet: Dental Caries Detection in Panoramic X-ray using Ensemble Transfer Learning and Capsule Classifier},
author = {Arman Haghanifar and Mahdiyar Molahasani Majdabadi and Seok-Bum Ko},
journal= {arXiv preprint arXiv:2012.13666},
year = {2020}
}
备注
14 pages, 10 figures, 7 tables, 46 references