Localización automatizada de puntos craneométricos en 3D: Una V-net ligera para la localización de puntos de...

Área de la Ciencia:

• Imágenes Médicas e Inteligencia Artificial
• Ortodoncia y Diagnóstico Dental

Sus antecedentes:

• El análisis cefalométrico es crucial para el apoyo a la toma de decisiones clínicas en ortodoncia, y requiere tradicionalmente la identificación manual de puntos de referencia en escaneos 3D de tomografía computarizada de haz cónico (CBCT).
• El análisis manual consume mucho tiempo y depende del operador, lo que pone de relieve la necesidad de soluciones automatizadas en los flujos de trabajo clínicos.

Objetivo del estudio:

• Desarrollar y validar un modelo de aprendizaje profundo (DL) ligero para la localización automática de 16 puntos de referencia anatómicos clave en escaneos CBCT.
• Evaluar la precisión y fiabilidad de la identificación de puntos de referencia del modelo DL y las mediciones cefalométricas subsiguientes en comparación con métodos manuales.

Principales métodos:

• Se entrenó una arquitectura de aprendizaje profundo V-net con 350 escaneos CBCT anotados manualmente de diversos sistemas de imagen y datos demográficos de pacientes.
• Se evaluó el rendimiento del modelo en función del error medio de localización de puntos de referencia y se comparó con mediciones cefalométricas lineales y angulares derivadas manualmente.
• Se empleó el análisis de Bland-Altman para evaluar la concordancia entre las mediciones automatizadas y manuales.

Principales resultados:

• El modelo de aprendizaje profundo (DL) logró un error medio de localización de puntos de referencia de 1,95 ± 1,06 mm, dentro del umbral clínicamente aceptable de 2 mm.
• Las mediciones cefalométricas automatizadas mostraron errores mínimos (-0,15 ± 0,95° para angulares, 0,20 ± 0,28 mm para lineales) con una fuerte concordancia con los valores manuales.
• El tiempo medio de inferencia fue inferior a 32 segundos por escaneo, lo que demuestra la eficiencia computacional.

Conclusiones:

• El modelo DL ligero desarrollado automatiza de forma fiable la identificación y medición de puntos de referencia cefalométricos, ofreciendo una alternativa viable a los procedimientos manuales.
• La precisión del modelo, la robustez en conjuntos de datos heterogéneos y los rápidos tiempos de inferencia respaldan su potencial como herramienta de apoyo a la toma de decisiones clínicas en ortodoncia.
• El análisis cefalométrico automatizado puede mejorar la eficiencia y la coherencia en la planificación del tratamiento de ortodoncia, especialmente para parámetros críticos como el ángulo ANB.