深度学习驱动的对部受影响的犬类对形束计算机断层扫描图像的细分
Abdullah Swaity1,2, Bahaaeldeen M Elgarba1,3, Nermin Morgan1,4
1OMFS IMPATH Research Group, Department of Imaging and Pathology, Faculty of Medicine, KU Leuven, & Department of Oral and Maxillofacial Surgery, University Hospitals Leuven, Leuven, Belgium.
Scientific reports
|January 3, 2024
概括
这项研究引入了一个卷积神经网络 (CNN),用于在CBCT扫描中自动细分受影响的上犬. 在数字牙科中,CNN模型为手工方法提供了快速,精确和一致的替代方案.
科学领域:
- 数字牙科数字牙科
- 医疗成像医学成像
- 医疗保健中的人工智能
背景情况:
- 牙和面部结构的3D细分对于数字牙科工作流程至关重要.
- 手动和半自动细分方法耗时,容易产生观察者偏差.
研究的目的:
- 开发和评估基于卷积神经网络 (CNN) 的在线平台,用于对受影响的上犬进行自动细分.
- 将自动化CNN方法的性能和效率与半自动化方法进行比较.
主要方法:
- 一个CNN模特被训练使用50张CBCT图像与大上的影响.
- 经过训练的模型在单独一组50张CBCT图像上进行了测试.
- 用voxel和基于表面的比较来评估细分性能,并计算时间效率.
主要成果:
- 自动化的CNN工具实现了高细分性能,子相似系数为0.99±0.02.
- 基于CNN的细分比半自动化方法快24倍.
- 该模型展示了受影响犬的快速,一致和精确的细分.
结论:
- 拟议的CNN模型提供了一种高效和准确的解决方案,用于自动细分受影响的上犬.
- 这种自动化方法可以显著提高数字牙科工作流程的速度和可靠性.
- 在线云平台为临床应用提供了一个实用的工具.
