混合歯列における歯科硬組織および歯髄のCBCTセグメンテーションのためのマルチアーキテクチャ深層学習

科学分野:

• 歯科における高度な画像分析のために、畳み込みニューラルネットワーク（CNN）、Transformer、およびMambaを含む高度な深層学習アーキテクチャを利用しています。

背景:

• 小児用コーンビームCT（CBCT）の分析には、時間と手間がかかり、術者によって依存する歯科構造の正確なセグメンテーションが必要です。
• 混合歯列は、一次歯と発達中の永久歯の両方の存在により、特有の課題をもたらします。

研究 の 目的:

• 小児CBCTスキャンにおける歯髄、一次歯、および永久歯の歯科構造の自動セグメンテーションのための深層学習ベースの3Dモデルを開発および評価すること。
• このセグメンテーションタスクについて、異なる深層学習アーキテクチャ（CNN、Transformer、Mamba）のパフォーマンスを比較すること。

主な方法:

• 専門家によって注釈が付けられたデータを使用して、トレーニング、検証、およびテストのために151のCBCTスキャン（内部105、外部46）を分析しました。
• 6つの異なるアーキテクチャにわたる歯髄および硬組織構造をセグメンテーションするために、完全に教師ありのマルチタスクモデルをトレーニングしました。
• Dice Similarity Coefficient（DSC）、Intersection over Union（IoU）、およびHausdorff距離（HD95）などの指標を使用してモデルを評価しました。

主要な成果:

• nnU-Net ResEncMモデルは、永久歯（DSC > 0.98）および全体的な構造のセグメンテーションにおいて最も高い精度を示しました。
• 一次歯のセグメンテーションは、特に高齢の子供（10〜13歳）では精度が低かったですが、十分なパフォーマンスを示しました。
• U-Mamba BotおよびU-Mamba Encアーキテクチャは、それぞれ歯髄および一次歯のセグメンテーションにおいて有望であることが示されました。

結論:

• 深層学習モデル、特にnnU-Net ResEncMは、小児CBCTにおける歯科構造の自動セグメンテーションのための実行可能で正確なアプローチを提供します。
• 自動セグメンテーションは、CBCT評価を大幅に合理化し、発達中の歯列や複雑な症例の管理のためのワークフロー効率を向上させることができます。
• この研究は、多様な歯列段階や異常を含む小児歯科画像におけるAI支援分析のフレームワークを提供します。