自动化牙细分:基于3D UNet的方法与MIScnn框架
Min Seok Kim1, Elie Amm1, Goli Parsi1
1Department of Orthodontics and Dentofacial Orthopedics, Boston University Goldman School of Dentistry, Boston, Massachusetts.
Journal of the World federation of orthodontists
|November 3, 2024
概括
从使用3D UNet卷积神经网络 (CNN) 的圆束计算机断层扫描 (CBCT) 来自动细分牙结构,显示出高精度. 这种人工智能驱动的方法为数字牙科工作流程中的手动细分提供了有效的替代方案.
科学领域:
- 牙科 牙科是指牙科的专业.
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 牙科的数字化工作流需要对形光束计算机断层扫描 (CBCT) 感兴趣的区域进行细分.
- 手动细分是耗时和昂贵的,推动了对自动化解决方案的需求.
- 卷积神经网络 (CNN) 为CBCT扫描细分提供了一种高效的自动化方法.
研究的目的:
- 评估基于3DUNet的CNN模型的有效性,用于从CBCT扫描中自动细分大和下牙.
- 将自动化方法的性能与传统的细分技术进行比较.
主要方法:
- 使用医学图像分割CNN框架实现了一个3DUNet CNN模型.
- 采用了351个CBCT扫描数据集,并使用了手动细分的基准真相标签.
- 进行了数据预处理,增强和模型训练,以分析CNN的性能.
主要成果:
- 该CNN模型在分割大牙和下牙方面取得了很高的准确性.
- 平均子相似系数值为上牙的91.83%和下牙的91.35%.
- 跨越欧盟的交叉点,精度和召回指标进一步验证了该模型的有效性.
结论:
- 基于3D UNet的CNN模型有效地自动化了从CBCT扫描中对牙的细分.
- 使用CNN的自动细分提供了准确和高效的结果,超过了手工方法.
- 这项技术在改善牙科诊断和治疗规划过程方面具有重大潜力.
