曝光协议,voxel大小和文物删除算法的影响,对利用基于人工智能的系统分割的真实性

科学领域:

• 牙科成像和人工智能
• 放射学和辐射剂量计.

背景情况:

• 形束计算断层扫描 (CBCT) 在牙科中被广泛使用.
• 人工智能 (AI) 系统越来越多地用于CBCT图像中解剖结构的自动细分.
• 优化CBCT参数对于平衡图像质量,诊断准确性和患者辐射暴露至关重要.

研究的目的:

• 评估不同的暴露协议,voxel大小和文物移除算法如何影响各种下区域基于AI的细分的真实性.
• 为了确定最佳的CBCT成像参数,以实现准确的AI细分,同时最大限度地降低辐射剂量.

主要方法:

• 使用CBCT扫描了11个干燥的人类下,使用不同的暴露协议 (标准,超低) 和voxel大小 (0.15mm,0.3mm,0.45mm).
• 数据集是用和没有人工物删除算法处理的.
• 基于AI的系统对下进行了细分,创建了与白光扫描仪参考数据相比的3D模型.
• 使用根平均平方 (RMS) 偏差评估真实性,通过四向ANOVA分析.

主要成果:

• 声细胞大小和解剖位置显著影响了细分的准确性 (p < 0.001).
• 暴露协议和人工物删除算法对真实性没有显著影响 (分别为p = 0.259和p = 0.752).
• 标准暴露在特定下部区域和口腔体大小,特别是更大的口腔体大小 (0.3毫米和0.45毫米) 中,产生了较低的RMS值,而不是超低暴露.

结论:

• 沃克塞尔大小是CBCT中AI细分真实性的关键因素,较小的大小通常是首选的.
• 在这项研究中,人工智能拆除算法并没有提高AI细分的真实性.
• 对于使用超低曝光协议进行AI细分,建议使用0.15毫米的voxel大小来确保真实性并最大限度地减少辐射;应避免使用0.45毫米.