arXiv 论文对比四种分割模型在牙科影像上的表现
论文AI 评分 55/100arXiv cs.AI
AI 聚合
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
一篇投稿于 arXiv 的论文在统一实验条件下比较了 PSPNet、DeepLabv3、UNet 与 UNet++ 四种语义分割模型在牙科 X 光片上的效果。研究使用 1269 张牙科影像，训练前做了多项预处理，并以 Dice 系数、IoU、准确率、精确率以及训练和验证损失等指标评估。结果显示，UNet++ 取得最高 IoU 0.6719 与 Dice 0.7869，配置为图像尺寸 300x300、批大小 16 时表现最好。论文还考察了图像分辨率与批大小对不同架构性能的影响。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载研究要解决的问题
牙科放射影像的自动分析对疾病诊断和临床决策有实际价值，但这类图像存在对比度低、噪声多、成像质量不一致等问题，分割难度较大。此前的工作多采用基于卷积神经网络的模型来处理，不过各研究的实验设置不同，导致模型之间难以直接比较。这篇论文的目标就是在公平、可控的实验条件下，对四种常见分割模型做横向对比，并观察图像尺寸和批大小等条件变化时各模型的表现差异。
实验设置与评估指标
研究共使用 1269 张牙科放射影像，在训练之前先做了一系列预处理。参与比较的模型为 Pyramid Scene Parsing Network（PSPNet）、DeepLabV3、UNet 和 UNet++。评估采用多个指标，包括 Dice 系数（DICE）、交并比（IoU）、准确率、精确率，以及训练损失和验证损失。除了模型之间的对比，论文还考察了图像分辨率和批大小在不同架构下对性能与准确率的影响。
结果与结论
在受控实验中，UNet++ 的表现最好，IoU 达到 0.6719，DICE 为 0.7869，在图像尺寸 300x300、批大小 16 的配置下分割效果最优。论文由此给出了不同分割模型各自优势的观察，并指出基于深度学习的语义分割方法在自动化牙科影像分析上具备潜力。该文归类于计算机视觉与模式识别（cs.CV）以及人工智能（cs.AI），编号为 arXiv:2610.15061。
为什么值得看
想了解牙科影像分割选哪个模型、以及分辨率与批大小如何影响精度的人，可以看这篇统一条件下的对比。
论文
信源1 家
关键事实
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。