基于U-Net的全景放射影像异物与伪影智能分割模型构建及验证

　　本研究针对全景放射影像（PRs）中异物与伪影干扰诊断的难题，由研究人员开发了基于U-Net的深度学习模型。实验结果表明，该模型在异物分割任务中测试集Dice系数达0.9657，伪影分割达0.8749，整体准确率超0.999，展现了辅助放射科医师提升诊断效能的潜力。

　　

研究人员致力于通过深度卷积神经网络（CNN）实现全景放射影像（PRs）中异物与伪影图像的自动化分割，这些干扰因素常使诊断解读复杂化。该研究采用来自四台设备的11,226份PRs样本，由两名放射科医师使用计算机视觉标注工具（Computer Vision Annotation Tool）进行数据标注，并构建了基于U-Net架构的CNN模型。模型性能通过交并比（IoU）、Dice系数、准确率、精确度、召回率和F₁分数等多指标进行系统评估。

在异物分割任务中，模型验证集的Dice和IoU分别达到0.9439和0.9043，测试集表现进一步提升至0.9657和0.9371；而在伪影图像分割方面，验证集Dice与IoU为0.8234和0.7388，测试集结果则为0.8749和0.8145。整体测试准确率超过0.999，表明模型具有极高的判别能力。

该人工智能模型展现出在全景放射影像中精准定位异物与伪影的潜力，其成果有望为放射科医师提供有效的辅助诊断工具。研究者建议进一步推进临床验证以完善其应用可靠性。