通过3D CNN算法进行临床导向的CBCT周周损伤评估

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:

• 牙周上角性牙周炎 (AP) 是一种常见的牙科疾病,通常无症状且诊断不足.
• 精确的3D损伤体积评估至关重要,但在CBCT上手动细分周周损伤 (PAL) 是耗时的.
• 现有的PAL检测和细分方法缺乏效率和速度.

研究的目的:

• 开发和验证一种新的3D深卷积神经网络算法PAL-Net,用于快速准确地检测和细分PALs.
• 评估PAL-Net对不同经验水平的牙医的诊断性能和时间的影响.
• 评估PAL-Net在各种数据集中的通用性和稳定性.

主要方法:

• 开发一个3D深度卷积神经网络 (PAL-Net),用于在CBCT图像上自动检测和细分PAL.
• 使用5倍交叉验证进行内部验证.
• 外部验证使用中国中部,东部和北方的数据集.
• 使用接收器操作特征曲线下的面积 (AUC) 和子相似系数 (DSC) 评估诊断性能.

主要成果:

• 在内部验证中,PAL-Net 实现了高AUC 0.98.
• 该算法显著提高了牙医的诊断性能 (AUC:初级牙医的0.89-0.94,高级牙医的0.91-0.93) 并减少了诊断时间 (初级牙医的69.3分钟更快,高级牙医的32.4分钟更快).
• 与现有方法相比,PAL-Net的细分精度优于或相当于现有方法 (平均DSC>0.87),并且在外部数据集中具有强大的稳定性.

结论:

• PAL-Net提供了一个快速,准确和强大的解决方案,用于在CBCT图像上检测和细分PAL.
• 该算法提高了牙科诊断的效率和准确性,提供了有价值的3D体积信息.
• PAL-Net有可能改善牙科护理,特别是在缺乏专家放射科医生或牙医的环境中.