基于深度学习的方法,用于3D骨细分和预测缺失的牙区域,用于牙科植入物规划
Mohammed Al-Asali1, Ahmed Yaseen Alqutaibi2,3, Mohammed Al-Sarem1,4
1College of Computer Science and Engineering, Taibah University, 42353, Medina, Saudi Arabia.
Scientific reports
|June 16, 2024
概括
深度学习的U-Net模型在牙科扫描中准确地划分骨,以便精确地放置植入物. 这种自动化方法提高了牙科植入物规划,改善了患者的治疗结果.
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:
- 牙科植入物显示出高的长期存活率,但治疗失败仍然令人担忧.
- 深度学习,特别是U-Net模型,在分析医疗和牙科图像方面表现出有效性.
- 准确的骨分割对于成功安置牙植入物至关重要.
研究的目的:
- 将U-Net模型应用于从圆光束计算机断层扫描 (CBCT) 扫描中分割牙区域的骨.
- 用细分的骨数据预测最佳的牙植入物位置.
- 评估深度学习模型在自动化牙科植入物规划中的性能.
主要方法:
- 利用U-Net深度学习模型进行图像细分.
- 将模型应用于来自泰巴大学牙科医院 (TUDH) 患者 (2018-2023) CBCT扫描数据集.
- 使用Dice,精度,回忆和体积错误指标评估模型性能,由领域专家验证.
主要成果:
- 在用 Dice (0.93),精度 (0.94) 和回忆 (0.93) 实现骨细分的卓越性能.
- 对于细分骨区域,证明了0.01的低体积误差.
- 基于细分的骨结构,U-Net模型有效地预测了植入物位置.
结论:
- 深度学习U-Net模型为牙科植入物规划提供了一个有前途的自动化解决方案.
- 骨分段和植入物位置预测的高精度可以帮助牙科植入物学家.
- 这项技术有可能提高牙植入程序的成功率和效率.
