目的建立基于人工智能技术的牙菌斑智能判读系统,分析影响其判读结果的相关因素。方法2018年10月至2019年6月用家用口腔内镜(1280×960像素,东莞立港医疗器材有限公司)拍摄北京大学口腔医学院的25名研究生志愿者[男性12名,女性13名...目的建立基于人工智能技术的牙菌斑智能判读系统,分析影响其判读结果的相关因素。方法2018年10月至2019年6月用家用口腔内镜(1280×960像素,东莞立港医疗器材有限公司)拍摄北京大学口腔医学院的25名研究生志愿者[男性12名,女性13名,年龄(23±3)岁]口内牙齿唇颊侧照片,使用菌斑染色剂(Cimedical,日本)进行菌斑染色后,用同样拍摄方法再次拍摄照片,共收集符合纳入标准的549组恒牙牙菌斑染色前后的牙齿照片。将549组图像采用随机数字表法分为440组训练数据集和109组测试数据集。设计并实现基于DeepLab的深度学习模型,采用LabelMe软件(Windows版3.2.1,MIT,美国)进行标注,对标注后的440组训练数据集进行训练,并据此建立恒牙牙菌斑智能判读系统,使用平均交并比(mean intersection over union,MIoU)作为评估该算法识别准确性的量化指标,用建立的恒牙牙菌斑智能判读系统对109组测试照片进行判读。使用Matlab软件(Windows版R2017a,MathWorks,美国)提取109组照片的牙菌斑边缘线,计算菌斑边缘线像素点个数,以此衡量牙菌斑边缘的复杂性,并计算牙菌斑面积百分比。基于多元线性回归分析牙位、牙菌斑面积百分比、牙菌斑边缘线像素点个数、镜头光源光斑是否位于菌斑区域对于恒牙牙菌斑判读准确性的影响,通过方差检验比较模型调整后的决定系数R2选择拟合效果更优的模型。结果恒牙牙菌斑智能判读系统对测试组判读的MIoU值为0.700±0.191。当牙菌斑面积百分比、牙菌斑边缘线像素点个数进入回归模型时,R2值为0.491,高于只有牙菌斑百分比进入模型时的R2,牙菌斑面积百分比、牙菌斑边缘线像素点个数对恒牙牙菌斑判读准确性有显著影响(P<0.05)。牙菌斑边缘线像素点个数的标准化系数为-0.289,菌斑面积百分比的标准化系数为-0.551。结论本研究通过家用口腔内镜采集的恒牙牙面图像构建�展开更多
文摘目的建立基于人工智能技术的牙菌斑智能判读系统,分析影响其判读结果的相关因素。方法2018年10月至2019年6月用家用口腔内镜(1280×960像素,东莞立港医疗器材有限公司)拍摄北京大学口腔医学院的25名研究生志愿者[男性12名,女性13名,年龄(23±3)岁]口内牙齿唇颊侧照片,使用菌斑染色剂(Cimedical,日本)进行菌斑染色后,用同样拍摄方法再次拍摄照片,共收集符合纳入标准的549组恒牙牙菌斑染色前后的牙齿照片。将549组图像采用随机数字表法分为440组训练数据集和109组测试数据集。设计并实现基于DeepLab的深度学习模型,采用LabelMe软件(Windows版3.2.1,MIT,美国)进行标注,对标注后的440组训练数据集进行训练,并据此建立恒牙牙菌斑智能判读系统,使用平均交并比(mean intersection over union,MIoU)作为评估该算法识别准确性的量化指标,用建立的恒牙牙菌斑智能判读系统对109组测试照片进行判读。使用Matlab软件(Windows版R2017a,MathWorks,美国)提取109组照片的牙菌斑边缘线,计算菌斑边缘线像素点个数,以此衡量牙菌斑边缘的复杂性,并计算牙菌斑面积百分比。基于多元线性回归分析牙位、牙菌斑面积百分比、牙菌斑边缘线像素点个数、镜头光源光斑是否位于菌斑区域对于恒牙牙菌斑判读准确性的影响,通过方差检验比较模型调整后的决定系数R2选择拟合效果更优的模型。结果恒牙牙菌斑智能判读系统对测试组判读的MIoU值为0.700±0.191。当牙菌斑面积百分比、牙菌斑边缘线像素点个数进入回归模型时,R2值为0.491,高于只有牙菌斑百分比进入模型时的R2,牙菌斑面积百分比、牙菌斑边缘线像素点个数对恒牙牙菌斑判读准确性有显著影响(P<0.05)。牙菌斑边缘线像素点个数的标准化系数为-0.289,菌斑面积百分比的标准化系数为-0.551。结论本研究通过家用口腔内镜采集的恒牙牙面图像构建�
