Key points are not available for this paper at this time.
Zahnärzte benötigen Erfahrung mit klinischen Fällen, um spezialisierte Fähigkeiten zu praktizieren. Die Notwendigkeit, die privaten Informationen der Patienten zu schützen, schränkt jedoch ihre Fähigkeit ein, intraorale Bilder aus klinischen Fällen zu nutzen. In dieser Studie wird, da die Erzeugung realistischer Bilder es ermöglichen könnte, intraorale Bilder zu verwenden, das progressive Wachsen von generativen gegnerischen Netzwerken verwendet, um intraorale Bilder zu generieren. Insgesamt wurden 35.254 intraorale Bilder als Trainingsdaten mit Auflösungen von 128 × 128, 256 × 256, 512 × 512 und 1024 × 1024 verwendet. Die Ergebnisse der Trainingsdatensätze mit und ohne Datenaugmentation wurden verglichen. Die geschnittene Wasserstein-Distanz wurde berechnet, um die erzeugten Bilder zu bewerten. Anschließend wurden 50 echte Bilder und 50 erzeugte Bilder für jede Auflösung zufällig ausgewählt und gemischt. 12 Kinderzahnärzte wurden gebeten, diese Bilder zu beobachten und zu beurteilen, ob sie echt oder erzeugt waren. Der d-prime der 1024 × 1024 Bilder war signifikant höher als der der anderen Auflösungen. Zusammenfassend waren die erzeugten intraoralen Bilder mit Auflösungen von 512 × 512 oder niedriger so realistisch, dass die Zahnärzte nicht unterscheiden konnten, ob sie echt oder erzeugt waren. Dies deutet darauf hin, dass die erzeugten Bilder in der zahnmedizinischen Ausbildung oder zur Datenaugmentation für Deep Learning ohne Datenschutzbeschränkungen verwendet werden können.
Kokomoto et al. (Thu,) untersuchten diese Frage.