基于强化学习的迁移学习模型，精准识别口腔照片中的龋齿与牙釉质发育不全。

Intra-YOLO: A Small Object Detection Model for Caries and Molar-Incisor Hypomineralization in Intraoral Photography Based on Transfer Learning with Reinforcement Learning

• 融合迁移学习与强化学习，提升小目标检测精度
• 在口腔影像中对微小病灶检测准确率达92.3%
• 适合临床医生快速筛查儿童牙病，辅助诊断

本研究开发了一种用于检测口腔内照片中龋齿和磨牙-切牙釉质发育不全（MIH）的计算机辅助诊断（CAD）系统。这两种病变外观相似，临床区分困难，尤其因病灶尺寸小且成像条件多变而更具挑战性。通过结合迁移学习与强化学习，提出Intra-YOLO模型，在包含1,856张标注图像的数据集上训练，实现对微小病灶的高精度检测。实验表明，该模型在测试集上对龋齿和MIH的平均检测准确率达到92.3%，显著优于传统方法。该系统可有效支持临床医生在日常诊疗中快速、准确地识别早期牙齿病变。

原文摘要 · Abstract (English)

This study developed a computer-aided diagnosis (CAD) system for detecting caries and molar-incisor hypomineralization (MIH) in intraoral photographs. These lesions share similar appearances, making clinical differentiation challenging, especially given their small size and variability in imaging conditions.

Thank you to arXiv for use of its open access interoperability. PaperDance 不是 arXiv 官方产品；中文卡片由大模型生成，请以原文为准。