自动圆束计算机断层扫描对多个受影响的牙进行细分,是否与罕见疾病有关:对四种基于深度学习的方法的评估
Eloi Sinard1,2, Laurent Gajny3, Muriel de La Dure-Molla1,4
1UFR Odontologie, Université Paris Cité, Paris, France.
Orthodontics & craniofacial research
|January 2, 2025
概括
深度学习 (DL) 解决方案在形束计算断层扫描 (CBCT) 中显示出高精度的自动牙细分,其中两种方法的性能优于其他方法. 由于受到冲击的牙,准确度有所不同,突出显示了牙科成像中DL的快速演变.
科学领域:
- 牙科成像和诊断牙科成像和诊断
- 医学中的人工智能.
- 口腔和大面部外科手术
背景情况:
- 在形束计算断层扫描 (CBCT) 中精确的牙细分对于诊断和治疗牙损伤至关重要.
- 深度学习 (DL) 提供了自动化这种复杂的细分过程的潜力.
研究的目的:
- 评估四种深度学习 (DL) 解决方案的准确性,用于在CBCT图像中的自动牙细分.
- 为了比较商业和开源DL软件在对多次牙损伤患者的牙进行细分方面的性能.
主要方法:
- 分析了来自多个牙损伤患者的20个CBCT扫描.
- 四个DL解决方案生成了自动牙细分,与专家生成的参考细分相比.
- 量化指标,包括子相似系数 (DSC) 和规范表面距离 (NSD),用于评估.
主要成果:
- 深度学习解决方案实现了高精度,子相似系数 (DSC) 值在88.5%至95.6%之间.
- 标准化表面距离 (NSD) 值显示出强的表现,最小的非细分牙 (0.1%至6.0%).
- 两个解决方案,Diagnocat和DentalSegmentator,在所有测试参数中表现出卓越的性能.
结论:
- 所有测试的深度学习方法在CBCT扫描中显示出牙细分的显著效率,平均NSD约95%.
- 受冲击的牙的存在影响了DL溶液之间的精度变化.
- DL技术的快速发展表明,未来牙细分能力的持续改进.
