Торговый Дом «Аюрведа» — аюрведа оптом

DUCHSTERN SIEGRAF.

Sortieren nach:

Am beliebtesten

Hand des Zahnarztes mit Zahngipsmodellen

Metallfrei Keramik Dental Kronen. Керамик-цирконий в дер…

Металлокерамика

3d Render des Kiefers mit Zahnbrücke

3D-Darstellung des Kiefers mit Zahnbrücke über weißem Hintergrund

Gesundheit Zahnpflege

Zahn- Brücke

3D-рендеринг киферов с Zahnbrücke, unterstützt durch Implantate über weißem Hintergrund

Keramik brücke Nahanischenähnähme Blick

Zähne, Zahnmedizin medizinische flache Symbole.

Zahnmedizin, Kieferorthopädie flache Symbole. Bunte flache Vektorsymbole von Zahnklinikdienstleistungen, Stomatologie, Zahnmedizin, Kieferorthopädie, Mundgesundheitsversorgung und Hygiene, zahnärztliche Instrumente.

berlin kronprinzenbrücke

Illustration aus dem 19. Jahrhundert.

3d Render des Kiefers mit Zahnimplantaten und Brücken über weiß

3D-Darstellung des Kiefers mit Zahnimplantaten und Brücken über weißen Hintergrund

3D Rendering der Zähne mit Cantilever Zahnbrücke

Wassergrabenbrücke und Kronentor des Zwingers — Dresden, Sachsen,

Стокгольм в ночь в Швейцарии Европа

Brücken-Zähne flach Symbol.

Флаги Brücken Zähne Symbol. Денталес Концепт. Зубной мост Корона Протезирование стоматологии Векторная иллюстрация. Медицинский символ для Infografiken, веб-сайтов и печати. Клиника-Символ.

bstract Krone DNA-Logo-Symbol Design Moderne Minimalen Stil…

Plastische Zahnkronen, Nachahmung einer Zahnprothese einer Zahnbrü

Stockholm bei Nacht Schweden Europa

Malerischer Blick auf die Statue der Heiligen Kunigunde an der Brü

Цифровая 3D-модель с многократным повторением. Wireframe-Konzept

Metallfreie Keramikzähne Implantieren Zahnkronen isoliert auf…

Stockholm bei Nacht Schweden Europa

Металлические керамические имплантаты Занкронен, изолированные на. ..

Металлические керамические имплантаты, изолированные Занкрон на синем фоне. Здравствуйте, качество Copy Space Photo.

Dentale flache Linie Symbole gesetzt. Zahnärztliche Leistungen, Therapie, Zahnerkrankungen, Werkzeug, Rekonstruktion, Diagnose, Gesundheitsversorgung, Behandlung. Яркая векторная иллюстрация для веб-сайта или мобильного приложения.

Stockholm bei Nacht Schweden Europa

3D визуализация опорных конструкций с консольной 2 80003 Zahnbrücke

Darstellung des Kiefers mit zahnärztlicher Kragarmbrücke, isoliert über weißen Hintergrund

Königskrone und Stockholmer Stadtbild

Stockholm bei Nacht Schweden Europa

London-Symbole festgelegt. Англия, dünne Liniendesign

Zahnimplantat, medizinisch genaue 3D-иллюстрация

Futuristisches abstraktes Zahnkronensymbol. Wireframe-Konzept…

Stockholm bei Nacht Schweden Europa

Kiefer mit Implantaten , die Zahnbrücke über Weiß stützen

Selbstsüchtiger Mann setzt eine Krone auf sein Haupt, er steht…

Zahnsatz-Symbol. Wurzeln, Prothesen, Diplom, Zahnschmelz, Mund,…

Stockholm bei Nacht Schweden Europa

3D-Druck von Zahnkronen und Brückenmodellen. Kieferorthopädisches

3D-Druck von Zahnkronen und Brückenmodellen. Kieferorthopädisches Modell für Zahnmedizin. Das Konzept der Prothetik und Implantologie.

Londoner Liebe. Символ Лондона в форме Eines Herzens

Стокгольм в ночь в Европе

Produktionsprozess des Clear aligners. Киферортопедишер…

Процесс производства прозрачных выравнивателей. Kieferorthopädischer klarer Aligner. Dentallaboranten

Dubai Marina Bayview, Adresse Jumeirah Resort, Strand, Gewässer…

Дубай, Vereinigte Arabische Emirate — 22 апреля 2022 года: Dubai Marina Bayview, Adresse Jumeirah Resort, Strand, Wasser des Persischen Гольфы и Bluewaters Fußgängerbrücke.

Stockholm bei Nacht Schweden Europa

Zahnersatz auf schwarzem Hintergrund.

Стокгольм, Шведен. Skeppsholmsbron — Skeppsholm Brücke mit …

Der selbstsüchtige Mensch setzt sich eine Krone auf, er steht…

Selbstsüchtiger Mensch mit einer Krone auf dem Kopf geht über…

Stockholm bei Nacht Schweden Europa

Egoistische Frau mit einer Krone, die auf einem Mann in Form…

Занзац-Символ. Zahnarzt, Wurzeln, Zahnschmelz, Anästhesie,…

Набор символов Totrh. Zahnschmelz, weißes Lächeln, Zahnstruktur,…

Золотая крона в Стокгольме

Zahnmedizin Set Symbol. Zahn, Injektion, Anästhesie, Wurzel,…

Unteransicht des Basreliefs auf der der brücke Pont del Bisbe von joan rubio i bellver in barcelona — коронки и мосты стоковые фото и фотографии

Unteransicht des Basreliefs auf der brücke Pont del Bisbe von . .

Zahnmedizin Set Symbol. Zähne, Zahnschmelz, weißes Lächeln,…

Ренессанс-Принцесса с блондинкой Хаарен на Зеегрунде. Beauty-Mak

Ренессанс-Принцесса с блондом Haaren auf Seehintergrund. Бьюти-Макияж. Märchenhafte Rokokokönigin mit Schiff in Frisur auf Natur. Модель им синий Кляйд. Frau mit historischer Frisur auf Brücke

Zahnmedizin Set Symbol. Zähne, Zahnschmelz, weißes Lächeln,…

Обнаружение зубных протезов и реставраций на основе глубокого обучения

• Список журналов
• Научные отчеты
• PMC7820223

науч. респ. 2021 г.; 11:1960.

Published online 2021 Jan 21. doi: 10.1038/s41598-021-81202-x

, ¹ , ² , ¹ , ¹ and ¹

Author information Article примечания Информация об авторских правах и лицензиях Отказ от ответственности

Заявление о доступности данных

Целью данного исследования является разработка метода распознавания зубных протезов и реставраций зубов с использованием глубокого обучения. В исследовании использовался набор данных из 1904 устных фотоизображений зубных дуг (верхняя челюсть: 1084 изображения; нижняя челюсть: 820 изображений). Метод глубокого обучения для распознавания 11 типов зубных протезов и реставраций был разработан с использованием библиотек глубокого обучения TensorFlow и Keras. После завершения процедуры обучения для оценки эффективности обучения использовались средняя точность каждого протеза, средняя средняя точность и среднее пересечение по объединению. Средняя точность каждого протеза варьируется от 0,59до 0,93. Средняя средняя точность и среднее пересечение по объединению этой системы составляли 0,80 и 0,76 соответственно. Более 80% металлических зубных протезов были обнаружены правильно, но только 60% протезов цвета зубов. Результаты этого исследования показывают, что зубные протезы и реставрации металлического цвета можно распознавать и прогнозировать с высокой точностью с помощью глубокого обучения; однако люди с цветом зубов распознаются с умеренной точностью.

Тематические термины: Стоматология, Диагностика

При планировании плана стоматологического лечения для каждого пациента, независимо от вида лечения, необходимо получать интраоральную информацию. В клинической практике эта процедура проводится стоматологом и часто требует времени. Кроме того, результат этой процедуры зависит от знаний и опыта стоматолога. Поэтому возникает потребность в автоматизированной системе для схватывания внутриротовой ситуации в короткие сроки.

В последние годы технологии искусственного интеллекта (ИИ) стали применяться в стоматологии, что в некоторых случаях устраняет необходимость участия человека. Например, методы и клинические приложения на основе ИИ были разработаны для диагностики кариеса зубов 9.0191 ¹ , ² и рак полости рта ³ с точностью, сравнимой с человеческой. Эти приложения включали использование глубокого обучения, которое представляет собой метод обнаружения объектов, который делает прогнозы на основе различных изображений объектов. Внутриротовая информация состоит из отсутствующей области и окклюзии, формы и расположения оставшихся зубов, состояния реставрации или протезирования, состояния пародонта или эндодонта, риска кариеса или заболеваний пародонта и т. д. В дополнение к вышеуказанным приложениям, оценка пародонта ^{4 , 5} или эндодонтическая ситуация ⁶ с использованием глубокого обучения уже сообщались. В нашем предыдущем отчете классификация отсутствующей области была выполнена с высокой степенью предсказания ⁷ . Однако оценка ортопедической ситуации еще не проводилась. В этом исследовании с помощью глубокого обучения было выполнено распознавание ортопедической ситуации, то есть зубных протезов и реставрации остаточных зубов, как типов, так и материалов.

Целью данного исследования было распознавание зубных протезов и реставраций с использованием метода обнаружения объектов с глубоким обучением.

На фотоснимках полости рта выявлено не менее 104 экземпляров каждого вида зубных протезов и реставраций; наиболее распространенным типом был CMC (2147 экземпляров), а наименее распространенным был RFMCBr (104 экземпляра; рис.  ). Количество протезов, классифицированных как TP и FP, показано на рис. Соотношение ТП колебалось от 0,67 в ПР до 0,96 в ККМ (рис. ). AP каждого зубного протеза и реставрации следующие: ККМ: 0,93, MIn: 0,92, GCMC: 0,90, GIn: 0,90, RFMCBr: 0,81, RFMC: 0,78, PFMC: 0,78, Br: 0,77, PFMCBr: 0,77, CR: 0,61 и CC: 0,59 (рис. ). MAP и mIoU этой системы обнаружения составляют 0,80 и 0,76 соответственно.

Открыть в отдельном окне

Общее количество объектов зубных протезов и реставраций на всех изображениях. CMC: цельная металлическая коронка серебристого цвета, PFMC: металлокерамическая коронка, CR: композитная пломба, MIn: реставрация металлической вкладкой серебристого цвета, RFMC: металлическая коронка, облицованная композитом, CC: керамическая коронка, GCMC: полная золотая коронка металлическая коронка, GIn: реставрация металлической вставкой золотого цвета, Br: несъемный частичный протез CMC, PFMCBr: несъемный частичный протез PFMC и RFMCBr: несъемный частичный протез RFMC.

Открыть в отдельном окне

Общее количество правильно определенных зубных протезов и реставраций (TP) и выявленных как прочие протезы (FP). CMC: цельная металлическая коронка серебристого цвета, PFMC: металлокерамическая коронка, MIn: металлическая вкладка серебристого цвета, CR: композитная пломба, RFMC: металлическая коронка с полимерным покрытием, CC: керамическая коронка, GCMC: полная золотая коронка металлическая коронка, GIn: реставрация металлической вставкой золотого цвета, RFMCBr: несъемный частичный протез от RFMC, Br: несъемный частичный протез от CMC и PFMCBr: несъемный частичный протез от PFMC.

Открыть в отдельном окне

Отношение правильно определенных зубных протезов (TP) ко всем обнаруженным протезам. CMC: полная металлическая коронка серебристого цвета, MIN: реставрация металлической вкладкой серебристого цвета, GCMC: цельная металлическая коронка золотого цвета, GIn: реставрация металлической вкладкой золотого цвета, RFMCBr: несъемные частичные протезы RFMC, PFMC: металлокерамика коронка, Br: несъемный частичный протез из CMC, PFMCBr: несъемный частичный протез из PFMC, RFMC: металлическая коронка с полимерным покрытием, CC: керамическая коронка и CR: композитная пломба.

Открыть в отдельном окне

Средняя точность (AP) каждого зубного протеза и реставрации на всех изображениях. CMC: полная металлическая коронка серебристого цвета, MIN: реставрация металлической вкладкой серебристого цвета, GCMC: цельная металлическая коронка золотого цвета, GIn: реставрация металлической вкладкой золотого цвета, RFMCBr: несъемные частичные протезы RFMC, RFMC: металлическая коронка с полимерным покрытием , PFMC: фарфоровая коронка, слитая с металлом, Br: несъемный частичный протез из CMC, PFMCBr: несъемный частичный протез из PFMC, CR: композитная пломба и CC: керамическая коронка.

Предлагаемая система будет разработана самим компьютером, и компьютер сможет получить базовую информацию о внутриротовом состоянии, такую ​​как протезирование оставшихся зубов. В этом исследовании была разработана автоматизированная система, которая идентифицирует ортопедическое положение остаточных зубов и различает здоровые и реставрированные зубы по оральным изображениям. Эта система будет полезным инструментом для составления планов лечения каждого пациента. С другой стороны, для получения всей внутриротовой информации потребуются дальнейшие исследования, посвященные риску кариеса, состоянию пародонта и эндодонтии с использованием рентгеновских изображений зубов.

При оценке эффективности обнаружения объектов на основе глубокого обучения обычно использовались два индекса: пересечение по объединению (IoU) и средняя средняя точность (mAP), тогда как обычно использовалась матрица путаницы. IoU более 0,7 считается хорошим ^{8 , 9} , а IoU в этом исследовании составляет 0,76. Таким образом, производительность этой системы обучения высока. mAP используется для измерения точности модели обнаружения объектов, и mAP более 0,7, по-видимому, считается хорошим значением в других исследованиях ¹⁰ , но четкого критерия нет. В этом исследовании mAP был достигнут на уровне 0,80, и производительность этой системы обучения также считается хорошей с точки зрения mAP. Значения гиперпараметров и соотношение между тренировочными и тестовыми данными определялись по результатам предварительных экспериментов с различными сочетаниями их значений. В предварительных экспериментах IoU и mAP практически не изменились в разных ситуациях, но обучение с использованием этой комбинации дало более высокие значения IoU и mAP, чем другие комбинации.

Впервые YOLO был описан в 2016 г. ¹¹ как алгоритм обнаружения объектов в реальном времени, модифицированная версия (YOLO 9000) была предложена в 2017 г. ¹² , а версия 3 (YOLO v3) была предложена в 1918 г. . Было показано, что YOLO v3 имеет эффективность обнаружения, которая выше, чем у других алгоритмов обнаружения, таких как SSD ¹⁴ и RetinaNet ¹⁵ .

При выборе зубных протезов и реставраций для обнаружения в этом исследовании учитывалась частота их появления на изображениях. А здоровые зубы в данном исследовании не являлись объектом обнаружения, то есть зубы, в которых ничего не было обнаружено, являются здоровыми зубами. Потому что алгоритму обнаружения объектов удобно обнаруживать что-то конкретное, например реставрации или протезы металлического цвета в этом исследовании, но сложно обнаружить что-то конкретное, например, здоровые зубы. Кроме того, были включены те, которые необходимы для выбора опорных зубов. При выборе опорных зубов следует учитывать форму и материал протезов, а также площадь пломбирования реставраций. Поэтому были выбраны восемь протезов и три реставрации, которые часто появляются на тренировочных изображениях и часто используются в повседневных клинических процедурах. Еще одним ограничением, определявшим типы исследуемых протезов, было количество изображений. В этом исследовании около 19Было использовано 00 изображений, но этого количества было недостаточно для распознавания всех видов протезов, используемых в стоматологических клинических процедурах. Следовательно, если необходимо идентифицировать больше видов протезов, потребуется больше изображений этих типов.

Результаты этого исследования показали, что AP каждого зубного протеза и реставрации варьировался от 0,59 (для CC) до 0,93 (для CMC) при mAP 0,80. При этом коэффициенты правильных детектирований также варьировались от 0,67 (для CR) до 0,96 (для CMC). То есть более 90% протезов металлического цвета, таких как CMC, GCMC, MIns и GIns, более 80% протезов разных цветов, таких как RFMC и PFMC, или шинированных протезов, таких как Brs, и около 70% протезов цвета зубов, таких как CC и CR могут быть обнаружены при использовании этой системы. Независимо от общего количества объектов на всех изображениях, AP, как правило, выше для протезов металлического цвета и ниже для протезов цвета зубов. Эти результаты показывают, что обнаружение было сделано в соответствии с цветовыми различиями между зубами и протезами.

В этом исследовании произошло два типа ошибок: один — неправильное распознавание, при котором протез был распознан как другой тип протеза, и другой — неправильное распознавание, при котором сам протез не мог быть обнаружен. В некоторых случаях также происходило неправильное распознавание между протезами одинакового цвета, такими как RFMC и PFMC. Эта ошибка произошла из-за того, что распознавание в основном основано на различии цветов. На самом деле, различение протезов одинакового размера и разного цвета, таких как CMC и GCMC или MIn и GIn, в большинстве случаев было правильным. Различение между одинаково окрашенными, но разного размера объектами, такими как МИН и ККМ или ГИн и ГКМС, также в большинстве случаев было правильным. Эти протезы различаются по размеру, частично или полностью запломбированы, имеют сочетание металлического цвета и цвета зубов, что указывает на долю протеза или реставрации в зубах. Считается, что эта комбинация различий использовалась при различении протезов одинакового цвета.

Распознавание шинированных и нешинированных протезов, например нешинированных смежных RFMC и RFMCBr, также было правильным примерно в 80% случаев. Следовательно, эта система могла распознавать разницу в форме вокруг шинирующей части шинированных и нешинированных протезов. Результаты распознавания с использованием этой системы показывают, что она может правильно определять разницу в форме с высокой скоростью, даже если разница невелика. Однако в случае различий в цвете большие различия, такие как различия между металлом и зубами, можно было правильно распознать даже на небольших участках, но небольшие различия, такие как различия между керамикой, композитной смолой и зубами, не могли быть распознаны с высокой точностью. В результате зубные протезы и реставрации цвета зубов были неправильно обнаружены. Неправильное определение CC и CR в этой системе часто. В этих случаях КК и зубы, эстетически восстановленные с помощью CR, были неправильно обнаружены и признаны здоровыми зубами. С другой стороны, МИ, ГИ и обесцвеченные КО обнаруживались с высокой точностью, даже если они были очень малы. Этот результат говорит о том, что неправильное обнаружение вызвано не маленьким размером, а похожим цветом. Такое неправильное обнаружение может произойти, и иногда они не могут отличить, даже если видят их невооруженным глазом. Как предотвратить это неправильное обнаружение, кажется, большая проблема этой системы в будущем.

Результат этого исследования показывает, что распознавание зубных протезов и реставраций с окклюзионной стороны на фотографиях полости рта является очень точным для тех, которые имеют металлический цвет. Однако распознавание протезов и реставраций цвета зубов затруднено, если используются только фотографии полости рта. Таким образом, комбинация другого вида устных фотографических изображений и других изображений, таких как рентгеновские снимки и цифровые сканированные изображения, может быть необходима для уменьшения ошибочного распознавания и ошибочного обнаружения. Для повышения эффективности обучения потребуется больше изображений зубных протезов и реставраций, особенно СС и КР, а также скрининг изображений, который представляет собой выбор изображений, подходящих для обнаружения объектов.

В рамках данного исследования были сделаны следующие выводы.

1. Зубные протезы и реставрации можно распознать по фотографиям полости рта с MAP 0,80 и MIOU 0,76.

2. Зубные протезы и реставрации цвета металлик могут быть распознаны с AP более 0,80, а протезы цвета зубов распознаются с AP около 0,60.

3. Около 80% зубных протезов и реставраций цвета металлик распознаются правильно. Это значение составляет около 60% для людей с цветом зубов.

Сбор данных

Всего было получено 1904 фотоснимка полости рта (1084 изображения верхней челюсти и 820 изображений нижней челюсти) пациентов, посещавших отделение ортопедии, геродонтологии и оральной реабилитации стоматологической клиники Университета Осаки. Это был окклюзионный вид всей зубной дуги, снятый ответственными стоматологами с помощью собственных цифровых однообъективных зеркальных камер. Все изображения представляли собой файлы JPEG, размер которых был изменен до 416 ×416 пикселей. Этот протокол исследования был одобрен Советом по этике Стоматологической больницы Университета Осаки (h40-E26).

Аннотации зубных протезов и реставраций

Восемь типов зубных протезов были аннотированы вручную на всех изображениях полости рта с помощью графического инструмента аннотации изображений (labelImg ¹⁶ ). Это были цельнометаллические коронки серебристого цвета (CMC), цельнометаллические коронки золотого цвета (GCMC), металлические коронки с полимерным покрытием (RFMC), металлокерамические коронки (PFMC), керамические коронки (CC) и три вида несъемных коронок. бюгельный протез, CMCs (Br), RFMCs (RFMCBr) и PFMCs (PFMCBr). Также были аннотированы три типа стоматологических реставраций: композитные пломбы (CR), металлические вкладки серебристого цвета (MIns) и металлические вкладки золотого цвета (GIns).

Аннотацию проводили по снимку всей зубной дуги. Пример изображения результата аннотации показан на рис. . При аннотировании протезов или реставраций их типы определялись на основе истории болезни или бланка заказа зуботехнической лаборатории каждого пациента.

Открыть в отдельном окне

Пример изображения аннотации. Аннотирование проводилось с использованием окклюзионного вида всей зубной дуги на каждой фотографии. MIN: реставрация из металлической вкладки серебристого цвета, CMC: цельная металлическая коронка серебристого цвета, GCMC: цельная металлическая коронка золотого цвета и CR: пломба из композитной смолы.

Алгоритм глубокого обучения

Изображения были случайным образом разделены на два набора данных: один для обучения (1524 изображения: 867 верхней и 657 нижней челюсти) и один для тестирования (380 изображений: 217 верхней и 163 нижней челюсти). Для реализации алгоритма обнаружения объектов использовались Python 3.5.2 и библиотека Keras 2.2.4 с TensorFlow 1.12.0 в качестве бэкенда. Было использовано приложение для обнаружения объектов You Only Look Once версии 3 (YOLOv3) ¹³ с тонкой настройкой, и набор данных был обучен для обнаружения зубных протезов и реставраций. Набор обучающих данных был разделен на восемь пакетов для каждой эпохи, и было запущено 5000 эпох со скоростью обучения 0,01.

Оценка результата обучения

Для всех объектов во всех изображениях набора данных было определено количество объектов, распознанных правильно (true Positives; TP) и распознанных как другие типы объектов (false Positives; FP). Были рассчитаны средняя точность (AP) каждого типа зубного протеза и реставрации, средняя средняя точность (mAP) при пересечении на единицу (IoU) более 0,5 и средняя IoU (mIoU). IoU — это отношение в диапазоне от 0 до 1 площади перекрытия истинной и прогнозируемой площадей к общей площади. Он измеряет, насколько близко предсказанная область соответствует истинной области. IoU рассчитывали по следующей формуле. Пример изображения расчета IoU показан на рис. .

IoU=область перекрытия как наземной, так и прогнозируемой ограничивающей рамки/область объединения, либо наземной ограничивающей рамки, либо прогнозируемой ограничивающей рамки

Открыть в отдельном окне

Пример изображения из набора данных распознавания изображений, реставрация вкладок (МИн). Зеленый квадрат указывает на наземную ограничивающую рамку, а синий квадрат указывает на прогнозируемую ограничивающую рамку.

AP — это значение от 0 до 1 площади под кривой Precision-Recall. Значение AP варьируется в зависимости от порога IoU. В этом исследовании порог IoU был установлен на 0,5, который обычно используется в других исследованиях по обнаружению объектов 9.0191 ¹⁰ . mAP рассчитывается как среднее значение AP по всем классам. Более высокие значения указывают на более точное обучение.

Этические декларации

Протокол исследования был одобрен Советом по этике Стоматологической больницы Университета Осаки (h40-E26). Информированное согласие было получено от всех участников.

Этическое одобрение

Все клинические процедуры проводились в соответствии с этическими стандартами Хельсинкской декларации 1964 г. и ее более поздними поправками или сопоставимыми этическими стандартами.

Информированное согласие

Информированное согласие было получено от всех отдельных участников, включенных в исследование.

Авторы выражают благодарность сотрудникам кафедры протезирования, геродонтологии и стоматологической реабилитации Высшей школы стоматологии Университета Осаки.

Т.Т., Т.Г. и Т.М. собрали устные изображения. Т.Т. прокомментировал реставрации и протезы. Т.Т., Т.М. и К.Н. написали программный код и провели процедуры обучения. А Т.Т., К.Н., Т.Г. и К.И. составили план исследования и написали рукопись.

Работа не финансировалась.

Наборы данных, созданные во время и/или проанализированные в ходе текущего исследования, не являются общедоступными из-за защиты личной информации и ограничения этического одобрения, но доступны у соответствующего автора по разумному запросу.

Авторы заявляют об отсутствии конкурирующих интересов.

Примечание издателя

Springer Nature остается нейтральной в отношении юрисдикционных претензий в опубликованных картах и ​​институциональной принадлежности.

1. Casalegno F, et al. Обнаружение кариеса с помощью трансиллюминации в ближнем инфракрасном диапазоне с использованием глубокого обучения. Дж. Дент. Рез. 2019;98:1227–1233. doi: 10.1177/0022034519871884. [Бесплатная статья PMC] [PubMed] [CrossRef] [Google Scholar]

2. Lee JH, Kim DH, Jeong SN, Choi SH. Обнаружение и диагностика кариеса зубов с использованием алгоритма сверточной нейронной сети на основе глубокого обучения. Дж. Дент. 2018;77:106–111. doi: 10.1016/j.jdent. 2018.07.015. [PubMed] [CrossRef] [Google Scholar]

3. Hwang JJ, Jung YH, Cho BH, Heo MS. Обзор глубокого обучения в области стоматологии. Имиджевые науки. Вмятина. 2019;49:1–7. doi: 10.5624/isd.2019.49.1.1. [Бесплатная статья PMC] [PubMed] [CrossRef] [Google Scholar]

4. Moriyama, Y. et al. Модель глубокого обучения, похожая на mapreduce, для оценки глубины пародонтальных карманов. Материалы 12-й Международной объединенной конференции по биомедицинским инженерным системам и технологиям (BIOSTEC 2019), 388–395. 10.5220/0007405703880395 (2019).

5. Moriyama, Y. et al. Оценка увеличения изображения зубов для оценки тяжести заболевания пародонта. Международная конференция по вычислительной науке и вычислительному интеллекту (CSCI) , 924–929. 10.1109/CSCI49370.2019.00176 (2019).

6. Экерт Т. и соавт. Глубокое обучение для рентгенографического обнаружения апикальных поражений. Дж Эндод. 2019;45:917–922.e5. doi: 10.1016/j.joen.2019.03.016. [PubMed] [CrossRef] [Google Scholar]

7. Takahashi T, Nozaki K, Gonda T, Ikebe K. Система для проектирования съемных частичных протезов с использованием искусственного интеллекта. Часть 1. Классификация частично беззубых дуг с использованием сверточной нейронной сети. Дж. Протез. Рез. 2020 г.: 10.2186/jpr.JPOR_2019_354. [PubMed] [CrossRef] [Google Scholar]

8. Tao, R., Gavves, E. & Smeulders, A.W.M. Сиамский поиск экземпляров для отслеживания. Конференция IEEE по компьютерному зрению и распознаванию образов (CVPR). 1420–1429 (2016).

9. Бепур, С., Китани, К. М. и Зибарт, Б. Д. Состязательная оптимизация пересечения над объединением для задач локализации объектов. СоRR . arXiv: 1710.07735 (2017).

10. Zhao ZQ, Zheng P, Xu ST, Wu X. Обнаружение объектов с помощью глубокого обучения: обзор. IEEE транс. Нейронная сеть. Учиться. Сист. 2019;30:3212–3232. doi: 10.1109/TNNLS.2018.2876865. [PubMed] [CrossRef] [Google Scholar]

11. Редмон Дж., Диввала С., Гиршик Р. и Фархади А. Вы смотрите только один раз: унифицированное обнаружение объектов в реальном времени.