同位素复杂化和统计形状分析:通过机器学习增强前牙磨损分类和仿真
Pauline Binvignat1, Akhilanand Chaurasia2, Pierre Lahoud3
1Hospices Civils de Lyon, PAM Odontologie, Lyon, France.
Journal of dentistry
|August 2, 2024
概括
这项研究表明,将同位素复杂化与统计形状分析 (SSA) 结合起来,可以准确地捕捉牙解剖. 机器学习算法也显示出对诊断牙变化的有希望,改善牙科护理.
科学领域:
- 牙科形态学 牙科形态学
- 计算解剖学的计算解剖学
- 生物医学工程 生物医学工程
背景情况:
- 对牙解剖学的准确分析对于诊断和治疗计划至关重要.
- 识别和模拟牙变化是恢复性牙科的一个重大挑战.
研究的目的:
- 评估结合同位素复杂化和统计形状分析 (SSA) 方法的准确性,以捕捉牙的解剖特征.
- 为了比较四个机器学习 (ML) 算法在识别和模拟牙变化的有效性.
主要方法:
- 通过同位素复杂化和SSA分析了113个前表面.
- 提取了七个解剖特征,并探索了与形状模式的相关性.
- 四个ML算法被评估为分类准确性,通过交叉验证进行验证.
主要成果:
- 结合方法可靠地捕获了关键解剖特征,偏差最小 (平均10.4微米).
- 前五种形状模式解释了76.1%的形状变化.
- 最优的ML算法在分类牙变化的准确度达到了>83%和>86%的精度.
结论:
- 与SSA相结合的同位素复杂化是分析牙解剖学的可靠方法.
- ML算法显示出有潜力帮助从业者诊断和规划改变牙的治疗方法.
