SinusC-Net用于使用3D远距离引导网络对大鼻增大手术计划进行自动分类

科学领域:

• 牙科 牙科是指牙科的专业.
• 医疗成像医学成像
• 人工智能的人工智能

背景情况:

• 上鼻腔床增大对于在后面无牙区域放置牙植入物至关重要.
• 准确的手术前规划对于成功的鼻增大手术至关重要.
• 目前用于分类外科手术方法的方法可能耗时且主观.

研究的目的:

• 开发和评估一个自动化的深度学习模型,用于对大鼻床增大手术方法进行分类.
• 在CBCT图像上使用3D远程引导网络以提高精度.
• 提高牙科植入物学手术前规划的效率和准确性.

主要方法:

• 应用了经过修改的ABC分类方法,使用了五种手术方法.
• 开发了一个两阶段的深度学习模型,SinusC-Net,包括里程碑检测和外科手术方法分类.
• 用体积回归和3D距离引导网络分别用于CBCT图像的检测和分类.

主要成果:

• 该模型在地标检测中实现了0.87毫米的平均MRE,在2毫米范围内达到95.47%的SDR.
• SinusC-Net显示了高分类性能,平均准确度为0.97,灵敏度为0.92,特异性为0.98,AUC为0.95.
• 这种3D远距离引导网络被证明是有效的,用于准确的3D解剖学地标检测和手术方法分类.

结论:

• 开发的深度学习模型 (SinusC-Net) 准确地检测到3D解剖学里程碑,并对腔鼻床增大手术方法进行分类.
• 使用3D远距离指导进行自动分类,为植入牙科的手术前规划提供了精确有效的工具.
• 这种由人工智能驱动的方法有可能提高外科手术结果,并简化牙科植入物安置的规划过程.