自动深度学习的可复制性分析基于下道在时间CBCT数据集上的定位
Jorma Järnstedt1,2, Jaakko Sahlsten3, Joel Jaskari3
1Medical Imaging Centre, Department of Radiology Tampere University Hospital, Teiskontie 35, 33520, Tampere, Finland. jorma.jarnstedt@pirha.fi.
Scientific reports
|August 29, 2023
概括
这项研究表明,一个深度学习系统 (DLS) 在形束计算断层扫描 (CBCT) 上准确地识别下沟通道. DLS表现出可靠的性能,与专家放射科医生相美,有助于大面部手术规划.
科学领域:
- 医疗成像医学成像
- 人工智能在医学中的应用
- 面外科手术 面外科手术
背景情况:
- 精确的下管道的术前识别对于成功的面手术至关重要.
- 形束计算断层扫描 (CBCT) 是一个常见的成像模式,用于此目的.
- 放射科医生手动识别可能会耗时,并且会有变化.
研究的目的:
- 评估深度学习系统 (DLS) 的可重现性和临床有效性,用于在CBCT扫描上定位下管道.
- 为了比较DLS性能与经验丰富的放射科医生的注释.
- 评估DLS随着时间的推移和不同患者扫描的概括能力.
主要方法:
- 一个深度学习系统 (DLS) 被训练并测试了来自72名患者的165个异质CBCT扫描.
- 使用对称平均曲线距离 (SMCD),平均对称表面距离 (ASSD) 和Dice相似系数 (DSC) 来量化性能.
- 可重复性被评估使用主体内可重复性系数 (RC) 和可重复性度量 (RM) 对于利克特级别的等级由多名专家.
主要成果:
- DLS显示出熟练的局部化,中位数SMCD为0.643毫米,ASSD为0.351毫米.
- 平均子相似系数 (DSC) 为0.548,表明很好的重叠.
- DLS实现了高可重复性 (RM 0.877) 和临床有效性 (平均利克尔特得分3.84),与放射科医生 (RM 0.923,利克尔特得分3.94) 相美.
- 术后变化对DLS的表现产生了最大的影响.
结论:
- 深度学习系统在CBCT扫描上展示了强大的可重现性,时间概括性和 mandibular canal识别的临床有效性.
- DLS的性能可与经验丰富的放射科医生相美.
- 这项技术有望提高面外科手术中术前规划的效率和准确性.
