⚠️ 以下所有内容总结都来自于 大语言模型的能力，如有错误，仅供参考，谨慎使用
🔴 请注意：千万不要用于严肃的学术场景，只能用于论文阅读前的初筛！
💗 如果您觉得我们的项目对您有帮助 ChatPaperFree ，还请您给我们一些鼓励！⭐️ HuggingFace免费体验
2025-03-12 更新
Enhanced Pediatric Dental Segmentation Using a Custom SegUNet with VGG19 Backbone on Panoramic Radiographs
Authors:Md Ohiduzzaman Ovi, Maliha Sanjana, Fahad Fahad, Mahjabin Runa, Zarin Tasnim Rothy, Tanmoy Sarkar Pias, A. M. Tayeful Islam, Rumman Ahmed Prodhan
Pediatric dental segmentation is critical in dental diagnostics, presenting unique challenges due to variations in dental structures and the lower number of pediatric X-ray images. This study proposes a custom SegUNet model with a VGG19 backbone, designed explicitly for pediatric dental segmentation and applied to the Children’s Dental Panoramic Radiographs dataset. The SegUNet architecture with a VGG19 backbone has been employed on this dataset for the first time, achieving state-of-the-art performance. The model reached an accuracy of 97.53%, a dice coefficient of 92.49%, and an intersection over union (IOU) of 91.46%, setting a new benchmark for this dataset. These results demonstrate the effectiveness of the VGG19 backbone in enhancing feature extraction and improving segmentation precision. Comprehensive evaluations across metrics, including precision, recall, and specificity, indicate the robustness of this approach. The model’s ability to generalize across diverse dental structures makes it a valuable tool for clinical applications in pediatric dental care. It offers a reliable and efficient solution for automated dental diagnostics.
儿童牙齿分割在牙齿诊断中至关重要，由于牙齿结构的差异和儿童X射线图像数量较少，呈现出独特的挑战。本研究提出了一种定制的SegUNet模型，该模型采用VGG19作为骨干网，专门用于儿童牙齿分割，并应用于儿童牙科全景X光片数据集。SegUNet架构搭配VGG19骨干网首次应用于该数据集，实现了最先进的性能。该模型的准确度达到97.53%，Dice系数为92.49%，交并比（IOU）为91.46%，为该数据集设定了新的基准。这些结果证明了VGG19骨干网在提高特征提取和分割精度方面的有效性。包括精确度、召回率和特异性在内的综合评价指标，显示了该方法的稳健性。该模型在不同牙齿结构中的泛化能力，使其成为儿童牙科护理临床应用中的有价值工具，为自动化牙齿诊断提供了可靠且高效的解决方案。
论文及项目相关链接
Summary
这篇文本介绍了一项针对儿童牙科影像分割的研究，该研究使用了一种定制的SegUNet模型，带有VGG19骨干网，首次应用于儿童牙科全景放射影像数据集。该模型达到了先进性能水平，准确性为97.53%，dice系数为92.49%，交并比（IOU）为91.46%。结果表明，VGG19骨干网有助于提高特征提取和分割精度。该模型的稳健性和泛化能力使其成为儿童牙科护理临床应用中的宝贵工具，为自动牙科诊断提供了可靠高效的解决方案。
Key Takeaways
- 牙科影像分割对儿童牙科诊断至关重要，面临独特挑战。
- 研究提出了一种定制的SegUNet模型，带有VGG19骨干网，专门用于儿童牙科影像分割。
- 该模型在数据集上首次使用SegUNet架构，达到了先进性能水平。
- 模型表现出高准确性（97.53%），高dice系数（92.49%）和高交并比（IOU为91.46%）。
- VGG19骨干网有助于提高特征提取和分割精度。
- 综合评估表明该模型的稳健性和泛化能力。
点此查看论文截图
