[使用深度学习框架进行牙科圆束计算机断层扫描的自动细分]
Alexandra Hegyi1, Kristóf Somodi1, Csaba Pintér2,3
11 Semmelweis Egyetem, Fogorvostudományi Kar, Parodontológiai Klinika Budapest, Szentkirályi u. 47., 4. em., 1088 Magyarország.
Orvosi hetilap
|August 11, 2024
概括
一个新的深度学习模型准确地在束计算机断层扫描 (CBCT) 中细分下结构. 这种人工智能方法为规划重建性口腔和牙周手术提供可靠的3D模型.
科学领域:
- 牙科成像和诊断牙科成像和诊断
- 人工智能在医学中的应用
- 口腔和牙面部外科手术
背景情况:
- 精确的3D重建形光束计算机断层扫描 (CBCT) 图像对于口腔外科和牙周科的手术规划至关重要.
- 传统的细分方法,如基于值的快速但不准确,而半自动方法是准确但耗时的.
- 深度学习为自动和高效的CBCT图像细分提供了一个有希望的途径.
研究的目的:
- 开发和评估从临床实践中获得的CBCT图像的深度学习细分模型.
- 与半自动细分方法相比,评估深度学习模型的准确性和效率.
- 确定人工智能驱动的3D模型是否适用于数字手术规划.
主要方法:
- 开发了一个基于MONAI框架内的SegResNet架构的深度学习模型.
- 通过使用70名部分牙患者的CBCT图像建立了一个训练数据集.
- 该模型的准确性通过将其细分结果与15次CBCT扫描中的半自动细分进行比较来验证.
主要成果:
- 深度学习模型通过半自动细分实现了很高的相似性,平均交叉与结合值为0.91±0.02和Dice相似度系数为0.95±0.01.
- 平均豪斯多夫距离 (95%) 是0.67毫米±0.22毫米,表明精确的边界检测.
- 在深度学习和半自动方法之间的细分3D模型体积中没有发现统计学意义上的差异 (p = 0.31).
结论:
- 开发的深度学习模型在牙科CBCT扫描中准确地细分下.
- 基于人工智能的细分显示出可靠性与现有的人工智能系统相美.
- 通过深度学习生成的精确3D模型适用于重建性口腔和牙周手术的数字规划.
