arXiv cs.AI· Malithi Nawarathne, Nadeesha Herath Mudiyanselage Lihini Sangeetha·· 3 天前AI 评分15
牙科 X 光片语义分割对比：PSPNet、DeepLabv3、UNet 与 UNet++ 评测
Deep Learning-based Semantic Segmentation of Dental Radiographs: Comparative Evaluation of PSPNet, DeepLabv3, UNet, and UNet++
AI 导读
研究在统一实验设置下对比了 PSPNet、DeepLabv3、UNet 和 UNet++ 四种模型在牙科 X 光片语义分割上的表现，使用 1269 张影像并测试了不同图像尺寸与 batch size 的影响。UNet++ 取得最高 IoU 0.6719 和 DICE 0.7869，在 300x300 图像尺寸、batch size 16 时分割效果最优。
正文 · AI 翻译
摘要：准确高效地分析牙科 X 光片对于疾病诊断和临床决策已变得越来越重要。特别是，牙科 X 光片分割起着关键作用，但由于多种原因（例如图像对比度低、噪声、图像质量变化等），这项任务颇具挑战性。以往研究主要使用基于卷积神经网络（CNN）的模型来应对这些挑战。然而，由于实验设置存在差异，直接比较这些分割模型仍然困难。因此，我们主要在图像尺寸和批量大小等不同条件下，通过公平、受控的实验设置，比较了四种分割模型，包括金字塔场景解析网络（PSPNet）、DeepLabV3、UNet 和 UNet++。为此，我们使用了 1269 张牙科 X 光片图像，并在训练前实施了一系列预处理技术。为了评估这些模型，我们使用了多种指标，包括 Dice 系数（DICE）、交并比（IoU）、准确率、精确率、训练损失和验证损失。根据我们的结果，UNet++ 取得了最高的 IoU 分数 0.6719 和 DICE 值 0.7869，在分割方面表现出更优的结果，特别是在配置为图像尺寸 300x300 和批量大小 16 时。此外，我们还探讨了不同架构下图像分辨率和批量大小对模型性能和准确率的影响。因此，本研究为不同分割模型的优势以及基于深度学习的语义分割方法在改进自动化牙科 X 光片分析方面的潜力提供了见解。
| 评论： | 11 页 |
| 主题： | 计算机视觉与模式识别（cs.CV）；人工智能（cs.AI） |
| 引用为： | arXiv:2610.15061 [cs.CV] |
| （或 arXiv:2610.15061v1 [cs.CV] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.15061 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Malithi Nawarathne [查看电子邮件]
[v1]
2026 年 10 月 10 日星期六 16:53:13 UTC（684 KB）
来源：arXiv cs.AI · arxiv.org