Подход глубокого обучения к классификации и обнаружению погруженных зубов

Предварительная обработка, обучение и классификация Исследование проводилось со сбалансированными наборами данных. Наборы данных случаев и контроля были случайным образом разделены на две части: обучающую группу (27 групп случаев/27 контрольных групп) и тестовую группу (10 групп случаев/10 контрольных групп), чтобы предотвратить использование визуальных эффектов в обучающей группе для повторное тестирование. Набор тестовых данных не был виден системой на этапе обучения.

Все изображения размером 2943 на 1435 пикселей в наборе данных перед обучением были изменены до 971 на 474 пикселя. Все используемые изображения OPG включают все зубные ряды. Наборы обучающих и тестовых данных использовались для оценки и генерации весовых коэффициентов для оптимального алгоритма CNN. Произвольная последовательность была сгенерирована с помощью программирования Python с открытым исходным кодом (Python 3.6.1, Python Software Foundation, Уилмингтон, Делавэр, США, https://www.python.org/) язык и библиотеки OpenCV, NumPy, Pandas и Matplotlib. В этом исследовании Tensorflow для разработки модели использовался для классификации погруженных молочных моляров. В качестве обучения переносу использовалась архитектура InceptionV3, а значения переноса сохранялись в кэше. Затем полностью подключенный слой и классификаторы softmax были объединены, чтобы сформировать окончательные слои модели. Обучение проводилось с использованием 7000 шагов с 16G RAM и ПК с NVIDIA GeForce GTX 1050.