深度学习下的细分与较低的牙从形光束CTCT

科学领域:

• 医疗成像医学成像
• 放射学中的人工智能
• 口腔和牙面部外科手术

背景情况:

• 圆束计算机断层扫描 (CBCT) 对于牙科和口面部成像至关重要.
• 对下和牙等解剖结构的准确细分对于诊断和治疗规划至关重要.
• 手动细分是耗时的,容易引起观察者之间的变化.

研究的目的:

• 开发和验证一个3D U-Net卷积神经网络 (CNN),用于下和下的自动细分.
• 用内部和外部数据集评估CNN模型的准确性和可靠性.
• 通过定性分级来评估自动化细分的临床适用性.

主要方法:

• 一个雄心勃勃的横截面设计利用了来自两个不同的医院时期的CBCT扫描来进行内部和外部验证.
• 一个3D U-Net CNN被训练使用手动细分数据.
• 使用子相似系数 (DSC) 量化体积测量准确度,并对各种患者子组进行统计比较.

主要成果:

• 美国有线电视新闻网 (CNN) 模型表现出高细分精度,平均DSC为0.945 (内部) 和0.940 (外部).
• 根据性别,种族,BMI或使用的测试数据集,没有发现DSC的显著差异.
• 分段精度因年龄组和金属工件的存在而异,80%的生成对象网格被评为可接受或更高质量的.

结论:

• 通过CBCT扫描成功开发了一种强大的CNN模型,用于从CBCT扫描中自动细分下和下牙.
• 该模型在人口统计学上多样化的队列中准确执行,包括具有重大金属文物的案例.
• 自动化细分显示出有前途的临床实用性,通过盲人口腔面外科医生来判断,达到可接受的质量.