ディープラーニングを応用した口腔画像識別技術の解明

应用深度学习的口腔图像识别技术阐释

• 批准号: 21K10268
• 负责人: 森田 一三
• 金额: $ 2.58万
• 依托单位: The Japanese Red Cross Toyota College of Nursing
• 依托单位国家: 日本
• 项目类别: Grant-in-Aid for Scientific Research (C)
• 财政年份: 2021
• 资助国家: 日本
• 起止时间: 2021-04-01 至 2025-03-31
• 项目状态: 未结题
• 来源: https://kaken.nii.ac.jp/en/grant/KAKENHI-PROJECT-21K10268/
• 关键词: 口腔; 歯; 補綴物; 人工知能; ニューラルネットワーク; 深層学習; 口腔画像

人工知能による口腔の外観の識別精度の解明において、前歯部歯列画像に対する畳み込みニューラルネットワーク（CNN）の回転耐性の検討を進めた。具体的には入力層、畳み込み層とプーリング層および活性化関数からなる２層の中間層、２つの全結合層、出力層の構造のニューラルネットワークの基本モデルとした。畳み込み層の活性化関数はReLUを用いた。さらに、中間層の数を増加させた場合、活性化関数をTanhおよびLeakyReLU、PReLU、GELU、Swishに変えた場合の評価を行った。画像判別の評価では正転画像と反転画像のみの場合と、0度から180度まで5度刻みで回転させた場合の画像を用いて行った。その結果３層の中間層で活性化関数にReLUを用いたニューラルネットワークでは15度の回転までは90％以上の画像を正転画像と判別していたが、回転が進むにつれ、正転画像と判断する割合は減少し、85度の回転画像で2％まで低下した。110度まで正転画像と判別する割合は10％を下回り、さらに回転が進むと正転画像と判別する割合は26％まで増加するが、おおよそ20％を下回る結果を得た。画像識別能力が比較的高いCNNにおいても前歯部歯列画像の回転時の識別精度低下は著しいことが示唆された。今後は回転させた画像を学習データに含めることによる、識別精度の変化を検討することで、前歯部歯列画像の回転時の識別精度を向上させる可能性を追求するなど新たな課題が示された。人工知能による歯科医療材料の識別の研究については、臨床画像データの収集を進めている。

The artificial knowledge can be used to determine the accuracy of the oral cavity, the front part of the portrait, the picture, the tolerance test (CNN), and the improvement of patience. The specific input force, the number of activating factors, the number of active components, the number of active units, the number of active components, the number of active The number of active ReLU is different from that of others. Please add the number of Tanh, PReLU, GELU, and Swish to match the number of lines. The portrait determines that the portrait is correct, the portrait is perfect, the portrait is 0 degrees 180 degrees, the temperature is 5 degrees, and the portrait is correct. The results show that in 3 days, the number of active images in ReLU is very low, and the accuracy of the portrait is more than 90%. The correct portrait is correct, the correct portrait is accurate, the correct portrait is accurate, and the correct portrait is 2% lower. The 110-degree correct portrait is determined to cut 10% of the time to improve the correct portrait, 26% of the time to add the image, and 20% of the time to achieve good results. The ability of the portrait to distinguish is better than that of the high-end CNN. In the front part of the portrait, the accuracy of the picture is low when it is returned, which indicates that the image is instigated. In the future, you will learn the accuracy of the picture, the accuracy of the image, the accuracy of the image, and the accuracy of the portrait in the front of the portrait. In the study of medical materials in the department of artificial knowledge and knowledge, the collection of portraits and portraits of the bed is in progress.