Segmentación automática 3D de caninos impactados en TC de haz cónico mediante aprendizaje profundo

Área de la Ciencia:

• Radiología Dentomaxilofacial
• Inteligencia Artificial en Medicina
• Análisis de Imágenes Médicas

Sus antecedentes:

• Los caninos impactados son anomalías dentales comunes que requieren una localización precisa para la planificación del tratamiento.
• La segmentación manual de caninos impactados en imágenes de tomografía computarizada de haz cónico (CBCT) es un proceso que consume mucho tiempo y es propenso a variaciones.
• El aprendizaje profundo ofrece una solución potencial para la segmentación automatizada y precisa.

Objetivo del estudio:

• Desarrollar y evaluar un modelo de aprendizaje profundo para la segmentación automática de caninos impactados en TC de haz cónico.
• Evaluar el rendimiento de la arquitectura nnU-Net v2 para esta aplicación específica.
• Comparar la precisión de segmentación del modelo con métricas establecidas.

Principales métodos:

• Recopilación y anotación retrospectiva de 159 TC de haz cónico con caninos impactados.
• Entrenamiento de un modelo de aprendizaje profundo utilizando la arquitectura nnU-Net v2.
• Evaluación del rendimiento utilizando métricas de clasificación (sensibilidad, precisión) y métricas de segmentación (Coeficiente de Similitud de Dice, Distancia de Hausdorff, Intersección sobre Unión).

Principales resultados:

• El modelo nnU-Net v2 logró una sensibilidad de 0.90 y una precisión de 0.82 para la detección de caninos impactados.
• El rendimiento de la segmentación fue sólido, con un Coeficiente de Similitud de Dice (DSC) de 0.84.
• Los resultados favorables para la Distancia de Hausdorff del 95% (7.07 mm) y la Intersección sobre Unión (0.74) indican una buena precisión de segmentación.

Conclusiones:

• El modelo de aprendizaje profundo nnU-Net v2 demuestra una segmentación eficaz y autónoma de caninos impactados en volúmenes de CBCT.
• La inteligencia artificial tiene un potencial significativo para mejorar la eficiencia diagnóstica en la radiología dentomaxilofacial.
• El modelo desarrollado muestra ser prometedor para la aplicación clínica en el manejo de caninos impactados.