验证超分辨率在根尖周X光片下游任务中的效用

引言与目的：根尖周X光摄影在牙科实践中被广泛应用，但其诊断效果常因运动伪影、传感器限制和存储压缩而受损。本研究评估了基于深度学习的超分辨率框架能否增强退化的根尖周X光片，在不增加辐射暴露的情况下提高自动化诊断准确性。方法：使用6283张根尖周X光片建立临床评估流程。首先，使用5998张图像训练人工智能驱动的修复模型。然后，用285张精心标注的临床图像验证超分辨率预处理的效果。我们比较了原始低分辨率图像与超分辨率增强重建图像在自动化诊断性能上的差异，重点关注多结构语义分割和病理/修复体检测。结果：超分辨率增强图像的表现始终优于基线输入。在分割任务中，超分辨率将平均交并比从55.17%提升至60.24%，边界精度从23.64%提升至48.22%，在牙齿结构、修复体和病理类别组中均观察到显著改善，显示出优越的边缘描绘能力。在检测任务中，超分辨率将召回率提高了4.24%，而平均精度均值仅从67.18%小幅非显著提升至69.30%，表明超分辨率主要减少漏检，而非统一提升检测精度。结论：深度学习驱动的超分辨率能有效从次优的根尖周X光片中恢复关键的诊断细节。通过显著增强边界锐度和减少漏检，超分辨率作为一种有效的预处理步骤，提高了自动化牙科分析的几何精度和可靠性。临床相关性：这种基于软件的增强标准化了图像质量，并经济有效地提升了诊断准确性，特别是在资源有限的环境中。它最大限度地提高了常规二维根尖周X光片的诊断效用，支持精确的临床决策，而无需承受三维成像的辐射负担。