在使用深度监督的多尺度3D网络的牙圆束CT图像中自动检测后部上膜动脉

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 口腔和牙面部外科手术

背景情况:

• 在牙科手术中,精确识别后部上气泡动脉 (PSAA) 是非常重要的.
• 由于血管大小和解剖学变异,在束CT (CBCT) 中定位PSAA的传统方法可能具有挑战性.

研究的目的:

• 开发和评估一个深度学习网络,用于精确检测牙科CBCT图像中的PSAA.
• 专注于PSAA的中线像素的准确定位.

主要方法:

• 在150名受试者的CBCT数据上手动标记PSAA位置,创建300个数据集.
• 六个深度学习网络的培训和比较:3D U-Net,3D U-Net DS,3D U-Net MSDS,3D 注意力 U-Net,3D V-Net和3D 密集的 U-Net.
• 使用平均绝对误差 (MAE),平均辐射误差 (MRE) 和成功检测率 (SDR) 的性能评估.

主要成果:

• 多尺度深度监督的3D U-Net (3D U-Net MSDS) 展示了卓越的性能.
• 3D U-Net MSDS实现了MAE为0.696 ± 1.552毫米,MRE为1.101 ± 2.270毫米.
• 通过3D U-Net MSDS,在2毫米MAE范围内实现了95%的成功检测率 (SDR),显著超过其他网络.

结论:

• 一个强大的深度学习网络 (3D U-Net MSDS) 能够在牙科CBCT中准确检测PSAA和精确的中线定位.
• 开发的方法在检测小血管方面具有很高的准确性,有可能提高口腔和面外科手术的外科规划和决策.