学習をマイクロCTから三次元根管の形状的識別のためのペリアピカルX線写真に移転する

科学分野:

• 歯科イメージングと診断
• 医学における機械学習
• 放射線学と解剖学について

背景:

• 根管の形状を正確に特定することは,エンドドント治療の成功に不可欠です.
• 根管解剖を分析する現在の方法は,2DのX線写真に依存しており,これは複雑な3D構造の可視化を制限する可能性があります.
• マルチモダル・トランスファー・ラーニングは,さまざまなイメージング・モダリティからのデータを統合することによって,診断能力を高めるための潜在的なソリューションを提供します.

研究 の 目的:

• 暗黙の解剖学的特徴のマイクロコンピュータトモグラフィー (マイクロCT) から周辺放射線写真への移転を調査する.
• 3Dの根管形態の識別のためのマルチモダル・トランスファー・ラーニングの有効性を評価する.
• 課題の複雑性が,移転学習モデルのパフォーマンスに与える影響を評価する.

主な方法:

• 融根下第2歯茎 (MSM) は,マイクロCTを使用してスキャンされ,仮想放射線写真を作成しました.
• 臨床的にシミュレートされた腹周放射線写真 (CSPRs) は,ex vivo下から生成されました.
• 4つのコンヴォルショナルニューラルネットワーク (CNN) アーキテクチャは,ImageNetと仮想X線写真で事前に訓練されたモデルを含む,異なる事前トレーニング戦略を使用して訓練されました.
• モデルの注意を解釈するためにGrad-CAMビジュアライゼーションを使用し,結果はエンドドントリジデントのパフォーマンスと比較されました.

主要な成果:

• 仮想レントゲン写真で事前に訓練されたCNNは,ImageNetで事前に訓練されたモデル (64.36%) とエンドドントリジデント (61.17%) と比較して,3つのクラスの分類タスクでより高い精度 (69.68%) を達成しました.
• Grad-CAMの分析では,仮想X線写真で予め訓練されたモデルは,ImageNetで予め訓練されたモデルとは異なり,関連する根構造に焦点を当てていることが示されました.
• 簡素化された2クラスタスクでは,メソッド間のパフォーマンス差は統計学的に有意ではなく,複合的なタスクでは転送学習の利点がより大きいことを示唆しています.

結論:

• マイクロCT仮想放射線写真の暗黙の3D特徴は,トランスファー・ラーニングを通じてCSPRに効果的に転送できます.
• このアプローチは,根管形態の識別のためのCNNの解釈性と診断の正確性を改善します.
• マルチモダル・トランスファー・ラーニングの有効性は,複合的で複数のクラスに分類するタスクにおいてより顕著であり,臨床歯科イメージングにおけるその応用のための基盤を提供します.