使用级联卷积神经网络算法的前后脑图标志和测量识别的准确性:一个多中心研究
Sung-Hoon Han1, Jisup Lim2, Jun-Sik Kim2
1Department of Orthodontics, Seoul St. Mary's Hospital, College of Medicine, The Catholic University of Korea, Seoul, Korea.
Korean journal of orthodontics
|December 10, 2023
概括
一个级联卷积神经网络 (CNN) 准确地识别了PA脑图上的中线地标,为成年患者测量中线偏差提供了可靠的工具. 这种人工智能方法证明了临床可接受性和高检测率.
科学领域:
- 医疗成像医学成像
- 人工智能在正牙科中的应用
- 脑力测量分析 脑力计分析
背景情况:
- 准确的地标识别对于正牙科的头脑测量分析至关重要.
- 在前后 (PA) 脑图中评估中线偏差对于诊断和管理骨不对称是必不可少的.
- 手动地标识别可能是主观的,耗时的.
研究的目的:
- 评估级联卷积神经网络 (CNN) 在PA脑图中识别中线标志的有效性.
- 量化基于CNN的地标识别对中线偏差测量的影响.
- 将CNN模型的性能与人类专家识别进行比较.
主要方法:
- 使用了2,903个PA脑图的数据集,分为培训,验证和测试集.
- 双边和中线的地标被专家正牙医手动识别为黄金标准.
- 一个级联CNN模型被开发和训练,可以自动识别这些地标.
- 计算和统计分析了成功检测率 (SDR),点对点误差和中线偏差测量结果.
主要成果:
- 级联式CNN实现了临床上可接受的点对点误差 (1.26毫米),与牙科住院医生相当或比牙科住院医生更好.
- 在2毫米范围内的平均SDR为83.2%,对于特定的地标,如侧轨道 (LO) 和上牙中点 (UDM),准确度很高.
- 与黄金标准相比,中线偏差 (ANS-mid,UDM-mid,LDM-mid) 的绝对测量误差小于1毫米.
结论:
- 级联CNN模型在PA脑图中自动识别中线地标方面表现出有效性.
- 这种人工智能工具准确量化成年患者的中线偏差,无论图像采集变化如何.
- CNN提供了一个有前途的,客观的,高效的替代方案,用于头测量分析在正牙实践.
