完全自动化的方法用于三维细分和精细分类的混合牙在形光束计算机断层扫描使用深度学习

科学领域:

• 人工智能在牙科中的应用
• 医学图像分析 医学图像分析
• 对于牙科应用的深度学习

背景情况:

• 在形光束计算机断层扫描 (CBCT) 图像中,混合牙的准确分类和3D细分对于诊断牙面形,超数牙和文物至关重要.
• 现有的方法在精度和自动化方面面临挑战,需要先进的分析工具来提高诊断效率.

研究的目的:

• 开发一种高精度,自动化的深度学习模型,用于CBCT图像中混合牙的细分分类和3D细分.
• 评估模型的诊断性能,并与人类观察者进行比较.

主要方法:

• 基于修改后的nnU-Net和U-Net架构的深度学习模型被开发用于分类和细分混合牙.
• 该模型在336次CBCT扫描中接受了训练,并在多个中心的120次混合牙科和143次永久牙科CBCT扫描中得到了验证.
• 性能被评估使用子相似系数,贾卡德系数,精度,回忆,F-1得分和平均对称表面距离,并与两个人类观察者进行比较.

主要成果:

• 该模型在混合牙 (迪斯:0.964,贾卡德:0.931) 和永久牙 (迪斯:>0.90,贾卡德:>0.90) 的分类和细分方面取得了高准确性,即使有填充物,缺陷或多数牙.
• 混合的平均对称表面距离为0.091 ± 0.029mm,永久牙的平均距离为0.190 ± 0.092mm.
• 人工智能模型显著改善了初级牙医的表现,并将细分速度提高了20.9-22.8倍,而高级牙医没有显著改善.

结论:

• 开发的人工智能模型在CBCT扫描中显示出强大的临床适用性,稳定性和通用性,用于分析混合牙和永久牙.
• 这种深度学习方法提高了诊断的准确性和有效性,促进了正义牙科规划的精确测量,并支持牙科教育.