基于深度学习与YOLOv8 OBB的精准智能医疗系统：实时根尖片定位与种植体周围炎严重程度评估

《IEEE Journal of Selected Areas in Sensors》：A Precision Smart Healthcare System With Deep Learning for Real-Time Radiographic Localization and Severity Assessment of Peri-Implantitis

　　本研究针对种植体周围炎诊断中根尖片质量低、角度不一致导致的评估难题，开发了一种结合YOLOv8 OBB模型与EfficientNet-B0卷积神经网络的智能系统。该系统实现了98.48%的种植体定位精度，并通过图像旋转裁剪、色彩编码等技术将种植体周围炎分类准确率提升至96.82%，严重程度分级准确率达90.48%。该突破性成果显著降低了误诊风险，为临床提供了高效的AI辅助诊断工具。

　　

随着牙科种植手术的日益普及，其成功率已超过90%，但种植体周围炎作为进行性骨吸收伴随临床炎症的并发症正成为突出难题。传统诊断依赖根尖片进行人工评估，但低质量影像和序列射线片角度不一致使骨变化评估变得复杂，给医生带来巨大工作负担且易导致误诊。种植体周围炎不仅会引起种植体松动移位，更可能引发咬合问题、颞下颌关节紊乱等连锁反应，表现为关节疼痛、咀嚼不适、面部肌肉疼痛等症状。

为突破这一瓶颈，研究人员在《IEEE Journal of Selected Areas in Sensors》上发表了创新性研究，开发了一套基于深度学习的精准智能医疗系统。该系统通过三个核心模块实现突破：首先利用YOLOv8 OBB模型精确定位种植体位置；接着采用创新的图像旋转裁剪和色彩编码技术增强特征可视化；最后通过EfficientNet-B0模型实现疾病分类和严重程度分级。这项技术将诊断准确率提升至前所未有的水平，为牙科医疗领域带来了革命性变革。

关键技术方法包括：基于YOLOv8 OBB模型的种植体定位技术，采用多边形感兴趣区域(ROI)标注；结合旋转和平移矩阵的图像对齐方法；基于直方图均衡化和色彩编码的图像增强流程；使用EfficientNet-B0等卷积神经网络(CNN)模型进行三分类和严重程度分级。研究数据来自五位专业牙医提供的575张根尖片，经数据增强后训练集扩大至原始数据的16倍。

研究结果

YOLOv8 OBB模型训练结果

通过十折交叉验证，YOLOv8 OBB模型在种植体定位方面表现出色，平均mAP达到93.30%，准确率98.48%。相比YOLOv5、YOLOv7等模型，该模型在50%-95%交并比(IoU)范围内的平均精度(mAP)表现最优。

多边形ROI标注方法有效减少了不必要背景的包含，显著提升了目标识别和定位的精确度。

种植体裁剪创新方法

与传统基于二值化质量的方法相比，本研究提出的旋转裁剪技术不受二值化质量影响。通过计算种植体倾斜角度并应用结合平移的旋转矩阵，确保了种植体特征在旋转过程中的完整性。

该方法成功将种植体精确分割为左右两部分，消除了手动标记辅助线的耗时过程。

种植体平台切换定位

研究创新性地在YOLOv8 OBB标注训练数据时定义了图像裁剪边界，将平台切换位置设置在图像边界，通过标准化图像方向将参考线定位在图像顶部。

这一突破性方法实现了种植体平台位置的自动定位，为后续分析奠定了坚实基础。

EfficientNet在种植体周围炎严重程度分级中的应用

在三分类任务中，EfficientNet-B0模型表现出卓越性能，准确率达到96.82%，显著优于GoogLeNet(91.67%)、VGG16(93.45%)和ResNet101(91.07%)等模型。

图像处理流程的每个阶段都带来了准确率提升：原始图像(77.78%)→色彩编码(85.71%)→滤波处理(90.48%)，最终三分类准确率达到90.48%。

模型性能综合比较

在二分类任务中，EfficientNet-B0取得94.05%的准确率，虽略低于文献[24]的94.74%和文献[37]的94.5%，但显著优于其他对比方法。

更重要的是，本研究在三分类任务中实现了90.48%的整体准确率，这是首次提出基于人工智能的种植体周围炎严重程度评估方法，代表了该领域的重大突破。

研究结论与讨论表明，相比先前研究，本系统在种植体螺纹检测和分割方面取得显著进展。创新的裁剪方法有效解决了种植体倾斜角度变异问题，自动化的图像增强流程将疾病识别准确率提升至96.82%。在种植体周围炎严重程度评估方面，通过计算螺纹破坏深度进行分级的方法，为临床提供了更精细的诊断依据。值得注意的是，种植体螺纹两侧的种植体周围炎严重程度可能存在差异，本研究首次实现了对各侧牙槽嵴破坏程度的单独评估。

该研究的局限在于模糊的根尖片仍会影响CNN对种植体螺纹和平台的识别精度，某些裁剪图像中种植体与邻牙过近也会导致误识别。未来研究将探索更先进的方法来提升准确性和稳定性。这项技术不仅显著减轻了牙医的工作负担，更通过降低误诊风险和医疗成本，使更多患者受益，标志着人工智能与牙科医学深度融合的重要里程碑。