从CBCT图像中生成由人工智能驱动的头骨和面部结构的综合细分生成的完整虚拟患者
Fernanda Nogueira-Reis1, Nermin Morgan2, Isti Rahayu Suryani3
1OMFS IMPATH Research Group, Department of Imaging and Pathology, Faculty of Medicine, University of Leuven Department of Oral & Maxillofacial Surgery, University Hospitals Leuven, KU Leuven Kapucijnenvoer 7, Leuven 3000, Belgium; Department of Oral Diagnosis, Division of Oral Radiology, Piracicaba Dental School, University of Campinas (UNICAMP), Av. Limeira 901, Piracicaba, São Paulo 13414‑903, Brazil.
Journal of dentistry
|January 1, 2024
概括
一种新型的卷积神经网络 (CNN) 自动化方法准确而高效地细分大和面部结构,用于从CBCT扫描中虚拟创建患者,优于手工方法.
科学领域:
- 医学成像分析分析 医学成像分析
- 医疗保健中的人工智能
- 头骨,大和面部外科手术
背景情况:
- 形束计算断层扫描 (CBCT) 扫描对于额脸部 (CMF) 成像至关重要.
- 从CBCT数据创建虚拟患者需要精确细分多个CMF结构.
- 当前的半自动化细分方法耗时,可能缺乏一致性.
研究的目的:
- 评估基于卷积神经网络 (CNN) 的自动化方法,用于集成的CMF结构分割.
- 将自动化方法的性能,时间效率和一致性与半自动化方法进行比较.
- 评估自动细分对于从CBCT扫描创建虚拟患者的实用性.
主要方法:
- 分析了30个CBCT扫描结果.
- 六个CMF结构 (骨,鼻,牙,下,通道,呼吸道) 用半自动和基于CNN的自动化技术进行了细分.
- 自动化细分经历了微小的手工改进,以作为参考标准.
主要成果:
- 自动化方法需要平均1.1分钟,而半自动化方法需要48.4分钟.
- 自动化细分实现了99.6%与参考方法相似,明显高于半自动化方法 (88.3%).
- 自动化方法在所有指标中显示出高一致性与低标准偏差值.
结论:
- 由CNN驱动的集成细分是准确的,时间效率高,并且在生成CBCT衍生虚拟患者时一致.
- 这种自动化方法简化了同时对多个CMF结构的细分.
- 自动化细分有潜力改变牙科和面专业的个性化数字工作流程.
