使用基于3D-UNet的两阶段细分框架,精确细分牙科CBCT的下管道细分
Xi Lin1, Weini Xin2,3, Jingna Huang1
1Clinic of Stomatology of the Shantou University Medical College, No. 22, Xinling Road, Shantou, Guangdong, China.
BMC oral health
|August 10, 2023
概括
这项研究引入了一个深度学习模型,用于精确的下管道细分在形束计算机断层扫描中. 这种自动化方法通过改善下管道检测来帮助口腔手术规划.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 牙科手术 牙科手术
背景情况:
- 在束计算机断层扫描 (CBCT) 中精确细分下沟通道 (MC) 对口腔手术至关重要.
- 当前的细分方法可能耗时且缺乏精度.
研究的目的:
- 开发一个深度学习 (DL) 模型,以便在CBCT上快速准确地对MC进行细分.
- 为了提高牙科实践的效率,自动化细分过程.
主要方法:
- 为MC细分提出了一个基于3D-UNet的两阶段深度学习框架.
- 使用了220个CBCT扫描,数据分为培训,验证和测试集.
- 用子相似系数 (DSC) 和95%的豪斯多夫距离 (95%高清) 评估细分性能.
主要成果:
- 开发的两级3D-UNet模型在CBCT图像上成功实现了MC细分.
- 该模型在测试数据集中显示了0.875 ± 0.045的平均DSC和0.442 ± 0.379的平均95%HD.
结论:
- 拟议的自动DL方法显示了在CBCT中帮助MC检测的潜力.
- 这项技术可以帮助牙医制定涉及MC的口腔手术治疗计划.
