[基于深度学习的口腔和脸部区域的金属工件减少和临床验证]

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 放射学 放射学是一门学科.

背景情况:

• 金属文物显著降低了计算机断层扫描 (CT) 图像质量.
• 这些文物阻碍了临床实践中准确的诊断和治疗规划.

研究的目的:

• 开发和评估一个生成对抗网络 (GAN) 模型,以有效地消除CT图像中的金属工件.
• 为CT扫描中金属工件减少提供临床适用的参考.

主要方法:

• 收集了1000个没有文物和620个金属文物病例的CT数据,包括5种类型的牙科和骨科金属材料.
• 合成了1000对模拟金属文物CT图像,并使用800对训练了GAN模型,其中200对用于测试.
• 在220个临床病例上使用定量指标 (RMSE,SSIM) 和高级临床医生对220个临床病例的定性评估来评估GAN模型的性能.

主要成果:

• GAN模型在各种金属类型中展示了有效的工件减少,在测试组中具有低根-平方平均误差 (RMSE) 和高结构相似度指数 (SSIM) 测量值.
• 定量分析显示RMSE值在0.015±0.003到0.024±0.008之间,SSIM值在0.957±0.026到0.965±0.013.8之间.
• 使用修改后的LiKert尺度对220例病例的临床评估产生了3.73±1.13的令人满意的整体得分,表明成功消除了人工物.

结论:

• 开发的生成对抗网络 (GAN) 模型有效地从CT图像中删除金属工件.
• 该模型显著提高了CT图像质量,为临床应用提供了有前途的解决方案.
• 这种人工智能驱动的方法为提高金属植入物或修复物存在的诊断准确性提供了有价值的参考.