基于深度学习的牙科植入物对形光束计算机断层扫描图像的细分:一个验证研究
Bahaaeldeen M Elgarba1, Stijn Van Aelst2, Abdullah Swaity3
1OMFS-IMPATH Research Group, Department of Imaging and Pathology, Faculty of Medicine, KU Leuven & Department of Oral and Maxillofacial Surgery, University Hospitals Leuven, Belgium, 3000 Leuven, Belgium; Department of Prosthodontics, Faculty of Dentistry, Tanta University, 31511 Tanta, Egypt.
这项研究开发了一种快速,人工智能驱动的工具,用于在CBCT扫描上对牙部植入物和牙冠进行细分. 卷积神经网络 (CNN) 模型实现了高精度,大大减少了改善牙科虚拟模型的细分时间.
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:
- 圆束计算断层扫描 (CBCT) 对牙科植入学至关重要.
- 牙科植入物和假牙冠的准确细分对于治疗规划和评估至关重要.
- 当前的细分方法可能耗时且容易出现不准确性.
研究的目的:
- 开发和验证基于云的卷积神经网络 (CNN) 模型,用于牙科植入物和假牙冠的自动细分 (AS).
- 与传统细分技术相比,评估人工智能模型的性能和效率.
主要方法:
- 使用了280个CBCT扫描的数据集,分为培训,验证和测试集.
- 一个CNN模型被训练使用专家半自动化细分 (SS) 作为基础真相.
- 性能被评估使用时间,voxel-wise比较 (Dice相似系数) 和3D表面差异与精细自动化细分 (R-AS).
主要成果:
- 自动细分 (AS) 比半自动细分 (SS) 快60倍 (<30秒).
- 在CNN模型中,对于植入物细分 (0.92±0.02) 和植入物与恢复 (0.91±0.03) 实现了高的子相似度得分.
- 低根平均平方偏差值 (0.08±0.09毫米仅用于植入物,0.11±0.07毫米用于植入物+恢复) 表明AI细分精度高.
结论:
- 基于云计算的深度学习工具提供了CBCT图像上的牙植入物的高性能,时间高效的细分.
- 基于人工智能的细分将文物最小化,并增强牙科虚拟模型的创建.
- 这种工具的整合可以改善植入式牙科的术前规划和术后评估.
更多相关视频
09:10Digital Hybrid Model Preparation for Virtual Planning of Reconstructive Dentoalveolar Surgical Procedures
Published on: August 5, 2021
10:23Author Spotlight: Three-Dimensional Cephalometric Landmark Annotation Demonstration on Human Cone Beam Computed Tomography Scans
Published on: September 8, 2023
