Desarrollo y verificación de un modelo basado en redes neuronales convolucionales para la localización automática del...

Área de la Ciencia:

• Imágenes médicas
• Inteligencia artificial
• Radiología

Sus antecedentes:

• La localización precisa del canal mandibular (MC) es crucial para la cirugía de implantes dentales.
• La tomografía computarizada de haz de cono (CBCT) se utiliza ampliamente para las imágenes dentales, pero la localización de MC puede ser un desafío.
• La automatización de la localización de MC puede mejorar la eficiencia y la precisión en la práctica clínica.

Objetivo del estudio:

• Desarrollar y verificar un modelo de aprendizaje profundo (DL) utilizando redes neuronales convolucionales (CNN) para la localización automática del canal mandibular (MC).
• Evaluar el rendimiento del modelo en imágenes CBCT multicéntricas de varios fabricantes.

Principales métodos:

• Se desarrolló un modelo CNN utilizando 836 exploraciones CBCT de un fabricante (entrenamiento, validación, pruebas internas).
• El modelo fue validado externamente en 220 exploraciones CBCT de cuatro fabricantes diferentes.
• El rendimiento se evaluó cuantitativamente utilizando la distancia simétrica media de la superficie (ASSD) y la distancia simétrica media de la curva (SMCD), y cualitativamente mediante puntuación visual.

Principales resultados:

• Las pruebas internas mostraron un promedio de ASSD de 0,486 mm y SMCD de 0,298 mm.
• Las pruebas externas lograron puntuaciones visuales ≥ 4 puntos en el 86,8% de las exploraciones, con un ASSD promedio de 0,438 mm y un SMCD de 0,185 mm para las exploraciones de alta puntuación.
• La localización automática de MC tomó un promedio de 8,52 segundos, significativamente más rápido que los métodos manuales.

Conclusiones:

• El modelo CNN desarrollado demuestra una alta precisión y generalización para la localización del canal mandibular.
• El modelo muestra un excelente potencial de aplicación clínica para la localización automatizada de MC en datos de CBCT multicéntricos.
• La investigación adicional puede explorar la integración en los flujos de trabajo clínicos para mejorar el análisis de imágenes dentales.