基于深度学习的颌骨透射性病变在全景 X 线片上的检测:一项对比研究

《Journal of Stomatology Oral and Maxillofacial Surgery》:Deep learning–based detection of radiolucent jaw lesions on panoramic radiographs: A comparative study

【字体: 大 中 小 】 时间:2026年10月11日 来源:Journal of Stomatology Oral and Maxillofacial Surgery 2.4

编辑推荐:

   摘要本回顾性研究旨在比较不同基于深度学习的目标检测模型在全景牙片上检测颌骨透射性病变的性能。研究共纳入600张显示颌骨透射性病变的全景牙片。所有图像均经匿名化处理,并使用Roboflow以矩形边界框进行人工标注。数据集按80%、10%和10%的比例划分为训练集、验证集和测试集

  

摘要

本回顾性研究旨在比较不同基于深度学习的目标检测模型在全景牙片上检测颌骨透射性病变的性能。研究共纳入600张显示颌骨透射性病变的全景牙片。所有图像均经匿名化处理,并使用Roboflow以矩形边界框进行人工标注。数据集按80%、10%和10%的比例划分为训练集、验证集和测试集。数据增强仅应用于训练集,使图像总数从600张增加至1142张。四种目标检测模型——YOLOv5、YOLOv8、YOLO26和Faster R-CNN——使用相同的数据集划分和实验框架进行训练和评估。模型性能通过精确率、召回率、F1分数以及mAP@0.5和mAP@0.5:0.95的均值平均精度进行评估。
YOLOv8取得了最高的精确率,精确率为79%,召回率为59%,F1分数为68%。YOLOv5的精确率为65%,召回率为76%,F1分数为70%;YOLO26的精确率为67%,召回率为73%,F1分数为70%;Faster R-CNN的精确率为65%,召回率为76%,F1分数为70%。在IoU阈值为0.50时,YOLOv8的mAP为60%,YOLOv5为60%,YOLO26为67%,Faster R-CNN为70%,对应的mAP@0.5:0.95值分别为30%、30%、30%和32%。尽管各模型的F1分数总体相当,但其精确率-召回率平衡存在差异。考虑到Faster R-CNN等两阶段检测器潜在的速度劣势,在性能相当的情况下,基于YOLO的模型可能是临床决策支持应用中更具实用性的选择。纳入整个全景牙片视野内的透射性病变可能增加了任务复杂度,并导致所观察到的中等水平性能值。

引言

X线影像在口腔颌面外科的诊疗计划中至关重要。在众多影像学检查方法中,全景牙片因能提供颌骨、牙齿及邻近解剖结构的全方位概览,且辐射暴露相对较低、临床可及性较高而被广泛使用[1]。然而,由于全景牙片是二维图像,病变边界可能因解剖结构重叠、空间分辨率有限、焦谷相关失真以及患者定位误差而变得模糊[2]。
与CBCT相比,经验丰富的临床医生在全景牙片上诊断根尖周病变时可能具有较高的特异性(95.8%),但敏感性较低(34.2%)[3]。此外,牙医对全景牙片的判读存在相当大的个体差异,受个人技能、临床经验和观察者相关偏差的影响[4,5]。这些诊断局限性可能增加漏诊或误诊的风险,进而导致不恰当的治疗决策[4,6]。
卷积神经网络已被应用于检测各种X线影像学检查中的根尖周病变,包括全景牙片[7,8]。这些方法可能有助于实现更加客观的判读流程,帮助临床医生节省时间、专注于治疗规划、更早发现病理改变并降低进一步并发症的风险。然而,尽管这些算法的性能表现令人鼓舞,但在完全满足常规临床实践需求之前仍需进一步改进[9,10]。
因此,本研究旨在比较不同基于深度学习的目标检测模型——包括YOLOv5、YOLOv8、YOLO26和Faster R-CNN——在全景牙片上检测颌骨透射性病变的性能。本研究评估了在使用相同的数据集划分和实验框架进行训练和测试的情况下,这些模型在精确率、召回率和F1分数方面是否存在差异。

部分摘要

材料与方法

本研究经迪克莱大学牙科学院非干预性临床研究伦理委员会于2025年6月25日批准,方案编号为2025–46。回顾性评估了2018年至2024年间前往迪克莱大学牙科学院口腔颌面外科就诊患者的全景牙片。X线片按照制造商推荐的标准曝光参数获取,使用设备获得

结果

标注数据集共包含815个透射性病变,其中525个(64.4%)位于下颌骨,290个(35.6%)位于上颌骨;561个病变(68.8%)位于后牙区,254个(31.2%)位于前牙区。病变大小差异显著:边界框中位数面积占图像总面积的1.64%,其中225个病变(27.6%)覆盖面积<1%,63个病变(7.7%)覆盖面积>5%(表1)。这种广泛的尺寸范围,加上纳入病变的

讨论

本研究比较评估了四种基于深度学习的目标检测模型在全景牙片上检测颌骨透射性病变的性能。主要发现是所有评估模型的F1分数总体相当,但其精确率-召回率平衡存在差异。YOLOv8表现出最高的精确率,而YOLOv5和Faster R-CNN展现了最高的召回率值。这些发现表明,透射性颌骨病变检测的目标检

局限性

本研究存在若干局限性。首先,数据集来源于单一机构,未使用独立中心图像进行外部验证。因此,模型在不同患者群体、成像设备和采集方案中的推广性仍不确定。其次,尽管数据集共包含600张全景牙片,但测试集仅占数据集的10%,这可能限制了模型间直接比较的稳健性

结论

本研究比较评估了YOLOv5、YOLOv8、YOLO26和Faster R-CNN在全景牙片上检测颌骨透射性病变的性能。各评估模型的F1分数总体相当,但其精确率-召回率平衡存在差异。YOLOv8取得了最高的精确率,而YOLOv5和Faster R-CNN展现了最高的召回率值。均值平均精度呈相似模式,其中Faster R-CNN取得了最高的mAP@0.5值

知情同意

由于本研究采用回顾性设计,迪克莱大学牙科学院非干预性临床研究伦理委员会豁免了知情同意的要求(批准日期2025年6月25日,方案编号2025–46)。本研究仅基于已在常规临床诊疗中获取的全景牙片,未额外进行X线暴露或任何研究干预措施。所有图像均

资助

本研究未获得公共、商业或非营利部门资助机构的任何专项资助。

伦理声明

作者未获得参与者或其法定代表的知情同意。由于本研究采用回顾性设计,迪克莱大学牙科学院非干预性临床研究伦理委员会豁免了知情同意的要求(批准日期2025年6月25日,方案编号202546)。本研究仅基于已在常规临床诊疗中获取的全景牙片,未额外

CRediT作者贡献声明

Emre Yap?c?o?lu:撰写——审阅与编辑,撰写——原稿,可视化,验证,资源,项目管理,方法论,形式化分析,数据管理,概念化。Kamil Serkan A?a?ayak:撰写——审阅与编辑,撰写——原稿,可视化,验证,监督,软件,项目管理,方法论,数据管理,概念化。

利益冲突声明

作者声明不存在已知的竞争性财务利益或个人关系可能影响本文档所述工作的情况。作者无任何利益冲突需要披露。

致谢

本文源自第一作者攻读迪克莱大学牙科学院口腔颌面外科专科学位时的学位论文。
Emre Yap?c?o?lu|Kamil Serkan A?a?ayak
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号