在牙科CBCT中对降低噪音和改善图像质量的供应商不可知深度学习模型的评估
Wojciech Kazimierczak1,2,3, Róża Wajer1,2, Oskar Komisarek4
1Department of Radiology and Diagnostic Imaging, Collegium Medicum, Nicolaus Copernicus University in Torun, Jagiellońska 13-15, 85-067 Bydgoszcz, Poland.
Diagnostics (Basel, Switzerland)
|November 9, 2024
概括
一个深度学习模型 (DLM) 显著改善了对比度和噪声比 (CNR) 并减少了牙圆束计算断层扫描 (CBCT) 图像中的噪声. 这种图像质量的提升对口腔成像的诊断准确性有希望.
科学领域:
- 放射学和成像科学 放射学和成像科学
- 医疗成像中的人工智能
- 牙科诊断 牙科诊断 牙科诊断
背景情况:
- 牙圆束计算断层扫描 (CBCT) 对于口腔成像至关重要.
- 在CBCT中的图像质量通常受到噪音和低于最佳的对比度的限制.
- 深度学习模型 (DLM) 为图像重建增强提供了潜力.
研究的目的:
- 评估供应商无关的深度学习模型 (DLM) 对图像质量的影响.
- 在CBCT重建中评估DLM的降噪能力.
- 使用DLM.分析对比度与噪声比率 (CNR) 的变化.
主要方法:
- 对93名CBCT患者扫描的回顾性分析.
- 本地和DLM重建之间的图像质量比较.
- 客观评估使用CNR测量和主观评估通过三位读者通过5分级.
主要成果:
- 与原生重建相比,DLM重建显示出明显更高的CNR (平均CNR:11.12 ± 9.29与7.64 ± 4.33,p < 0.001).
- 在DLM重建中噪音水平显著降低 (平均噪音:35.61 ± 24.28对比45.83 ± 25.89,p < 0.05).
- 在本地和DLM重建之间没有发现主观图像质量的统计学上显著差异.
结论:
- 基于深度学习的重建算法可以提高CBCT图像质量.
- 改进的CNR和降低噪音是使用DLM用于CBCT的关键好处.
- DLM显示了提高牙科成像诊断准确性的潜力.
