Semantic segmentation for tooth cracks using improved DeepLabv3+ model
Notice bibliographique
Résumé
Objective: Accurate and prompt detection of cracked teeth plays a critical role for human oral health. The aim of this paper is to evaluate the performance of a tooth crack segmentation model (namely, FDB-DeepLabv3+) on optical microscopic images. Method: The FDB-DeepLabv3+ model proposed here improves feature learning by replacing the backbone with ResNet50. Feature pyramid network (FPN) is introduced to fuse muti-level features. Densely linked atrous spatial pyramid pooling (Dense ASPP) is applied to achieve denser pixel sampling and wider receptive field. Bottleneck attention module (BAM) is embedded to enhance local feature extraction. Results: Through testing on a self-made hidden cracked tooth dataset, the proposed method outperforms four classical networks (FCN, U-Net, SegNet, DeepLabv3+) on segmentation results in terms of mean pixel accuracy (MPA) and mean intersection over union (MIoU). The network achieves an increase of 11.41% in MPA and 12.14% in MIoU compared to DeepLabv3+. Ablation experiments shows that all the modifications are beneficial. Conclusion: An improved network is designed for segmenting tooth surface cracks with good overall performance and robustness, which may hold significant potential in computer-aided diagnosis of cracked teeth.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».