波形导向的3D深度模型,以改善牙微碎裂检测.
Pranjal Sahu1, Jared Vicory1, Matt McCormick1
1Kitware Inc., Carrboro, NC, USA.
Applications of medical artificial intelligence : first International Workshop, AMAI 2022, held in conjunction with MICCAI 2022, Singapore, September 18, 2022, Proceedings. AMAI (Workshop) (1st : 2022 : Singapore ; Online)
|April 16, 2024
概括
破裂牙的早期检测,牙损失的常见原因,通过新的深度学习模型得到了改进. 这种人工智能方法在高分辨率圆束计算断层扫描 (CBCT) 上识别骨折方面优于放射科医生.
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:
- 微型骨折 (裂) 是工业化国家牙脱落的重要原因.
- 未被检测到的牙裂可能会进展,导致疼痛和最终的牙损失.
- 以前使用圆束计算机断层扫描 (CBCT) 检测裂的方法取得了有限的成功.
研究的目的:
- 开发和评估一种新型模型,使用高分辨率 (hr) CBCT扫描来检测破裂的牙.
- 提高诊断牙骨折的准确性和可靠性.
- 提高早期检测,以便更好地规划治疗和保存牙.
主要方法:
- 基于深度卷积神经网络 (CNN) 的裂纹检测模型与信号增强技术相结合.
- 实验是在45个活体人类牙 (31个破裂,14个对照) 的数据集上进行的.
- 集成基于波形特征的3D CNN模型被训练来预测断裂概率图,优于2D CNN方法.
主要成果:
- 拟议的模型在微型计算机断层扫描和hr-CBCT扫描上都显示了在检测骨折方面提高的准确性.
- 美国有线电视新闻网 (CNN) 模型成功生成了概率图,以识别断裂区域,区分裂纹和对照牙.
- 开发的解决方案在 hr-CBCT 扫描中的骨折检测方面超过了口腔和面放射科医生.
结论:
- 综合信号增强和深度3D CNN模型显著改善了破裂牙的检测.
- 这种由人工智能驱动的方法与现有方法和人类专家相比,提供了更高的性能.
- 牙骨折的早期和准确的诊断可以导致改善治疗和增加牙保留.
