在CBCT扫描中使用三阶段神经网络检测下骨折
N van Nistelrooij1,2, S Schitter3, P van Lierop1
1Department of Oral and Maxillofacial Surgery, Radboud University Medical Center, Nijmegen, The Netherlands.
Journal of dental research
|June 24, 2024
概括
人工智能工具JawFracNet在3D扫描中准确地检测下骨折. 这种方法有助于精确识别面部骨架损伤,改善患者管理.
科学领域:
- 口腔和牙面部外科手术
- 医疗成像医学成像
- 人工智能在医学中的应用
背景情况:
- 骨骨折是常见的面部骨架损伤,仅次于鼻骨骨折.
- 精确识别骨折位置对于有效的临床管理至关重要.
- 在形束计算机断层扫描 (CBCT) 中检测下骨折的现有方法可能是耗时的,需要专门的专业知识.
研究的目的:
- 开发和评估JawFracNet,一种自动化的人工智能 (AI) 方法,用于在CBCT扫描中检测下骨折.
- 在医学成像中使用人工智能建立下骨折检测的基准.
- 为研究和临床应用提供公开可访问的工具和代码.
主要方法:
- JawFracNet使用一个三级神经网络模型来处理来自CBCT扫描的3D补丁.
- 第一个阶段:下部细分. 第二阶段:骨折细分. 骨折细分. 第三阶段:在一个补丁内对骨折进行分类.
- 最终的断裂细分是通过聚合voxel级和补丁级预测来实现的.
主要成果:
- 该研究包括164个没有骨折的CBCT扫描和171个有骨折的扫描.
- 在检测下骨折时,JawFracNet的精度为0.978和灵敏度为0.956.
- 人工智能方法在识别和细分下骨折方面表现出很高的准确性.
结论:
- JawFracNet代表了下骨折自动检测的重大进展.
- 开发的AI方法为分析CBCT扫描提供了可靠和准确的工具.
- 代码和工具的公开可用性促进了进一步的研究和临床采用.
