在低分辨率的形光束计算机断层扫描中,通过双线卷积神经网络测量前大骨的口腔骨的二元厚度
Zhuohong Gong1, Xiaohui Li2, Mengru Shi1
1Hospital of Stomatology, Guanghua School of Stomatology, Guangdong Provincial Key Laboratory of Stomatology, Sun Yat-sen University, Guangzhou, China.
Quantitative imaging in medicine and surgery
|December 18, 2023
概括
一个新的深度学习模型,双线卷积神经网络 (BCNN),从CBCT扫描中准确预测口腔骨厚度. 这种人工智能工具实现了专家级别的性能,提高了牙科植入物的诊断准确性.
科学领域:
- 人工智能在牙科中的应用
- 医学图像分析 医学图像分析
- 深度学习用于骨结构评估
背景情况:
- 在前大的口腔骨厚度对于牙植入物美学至关重要.
- 由于低分辨率成像 (CBCT) 和人为错误,精确的测量具有挑战性.
- 深度学习面临着现实世界的差异,细粒度特征和注释负担的障碍.
研究的目的:
- 开发一个深度学习模型 (BCNN) 用于端到端预测口腔骨厚度 (厚/薄).
- 为了评估模型的表现与牙医不同的经验水平对比.
- 评估BCNN在定量微尺度结构分析中的临床可行性.
主要方法:
- 使用了一个双线卷积神经网络 (BCNN),其中有两个CNN骨干和一个双线聚合模块.
- 使用5倍交叉验证和模型组合进行培训和测试.
- 使用可视化技术 (Grad-CAM,Guided Grad-CAM,LRP) 来解释模型的焦点.
主要成果:
- 在4000张CBCT图像的数据集上, BCNN实现了高精度 (0.870) 和AUC (0.924).
- 该模型精确地定位了口腔骨壁,超过了传统的CNN.
- 当 BCNN 与专家牙医结合使用时,通常会超过专家牙医,并提高他们的诊断性能.
结论:
- BCNN表现出优异的微妙特征提取,用于定量分析口腔骨厚度.
- 该模型实现了专家级别的性能,验证了其精确微型结构分析的潜力.
- 细粒度图像识别网络显示出牙科中先进的定量分析的前景.
