一个新的难以分割的样本聚焦网络,用于口腔CBCT图像分割
Fengjun Hu1,2, Zeyu Chen2, Fan Wu3,4
1College of Information Science and Technology, Zhejiang Shuren University, Hangzhou, 310015, China.
Scientific reports
|March 1, 2024
概括
一个新的深度学习模型,难以分割的焦点网络 (DSFNet),提高了口腔CBCT图像分割的准确性. 它有效地解决了诸如模糊轮和尺度差异等挑战,以改善临床诊断和治疗规划.
科学领域:
- 牙科 牙科是指牙科的专业.
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 精确细分口腔圆束计算机断层扫描 (CBCT) 图像对于临床牙科至关重要.
- 当前的深度学习方法与模糊的轮和尺度变化作斗争,导致牙冠和牙根的细分不良.
- 这些局限性阻碍了精确的临床诊断和治疗规划.
研究的目的:
- 开发一个先进的深度学习模型,用于准确的口腔CBCT图像细分.
- 克服现有方法的局限性,将牙冠和牙根等难以分割的区域进行细分.
- 提高牙科中自动化细分的临床适用性.
主要方法:
- 提出了难以分段的焦点网络 (DSFNet),结合特征捕获模块 (FCM) 进行强大的特征提取.
- 实施了多尺度特征融合模块 (MFFM),以整合跨不同尺度的信息.
- 引入了混合损失功能,将焦点损失和子损失结合起来,以优先考虑难以分割的样本.
主要成果:
- DSFNet实现了91.85%的子相似系数 (DSC) 和0.216毫米的平均对称表面距离 (ASSD).
- 该模型与现有的牙科CBCT细分技术相比,表现优越.
- 实验结果证实了细分具有挑战性的口腔CBCT区域的有效性.
结论:
- DSFNet在口腔CBCT图像分割精度方面取得了显著的进步.
- 拟议的网络有效地处理模糊的轮和尺度差异,改善关键牙结构的细分.
- DSFNet显示出在牙科实践中临床应用的巨大潜力.
