使用深度学习CBCT细分的辅助水平引导骨再生后硬组织变化的评估
Daniel Palkovics1,2, Alexandra Hegyi3, Balint Molnar3,4
1Department of Periodontology, Semmelweis University, Budapest, Hungary. palkovics.daniel@semmelweis.hu.
Clinical oral investigations
|January 13, 2025
概括
一个深度学习 (DL) 模型精确分段的圆束计算机断层扫描 (CBCT) 扫描用于指导骨再生 (GBR) 评估. 需要进一步培训,以提高该模型在临床应用中的稳定性.
科学领域:
- 口腔和牙面部外科手术
- 放射学 放射学是一门学科.
- 人工智能在医学中的应用
背景情况:
- 圆束计算断层扫描 (CBCT) 对于评估下水平引导骨再生 (GBR) 中硬组织变化至关重要.
- 精确的CBCT扫描细分对于骨再生的定量分析至关重要.
- 深度学习 (DL) 模型为医疗成像中的细分任务的自动化提供了潜力.
研究的目的:
- 评估基于SegResNet的深度学习 (DL) 模型的性能,用于对手术前后CBCT扫描进行细分.
- 评估模型在下水平GBR后量化硬组织变化的能力.
- 为了比较DL细分精度与半自动化 (SA) 细分方法.
主要方法:
- 一个基于SegResNet的DL模型在70次CBCT扫描中接受了训练.
- 该模型在10对手术前和手术后的CBCT扫描中进行了测试,这些扫描来自接受下水平GBR的患者.
- 用子相似系数 (DSC),对欧盟的交叉点 (IoU) 和豪斯多夫距离 (HD95) 来量化细分性能,将DL与SA细分进行比较.
主要成果:
- DL模型与SA细分达到了很高的一致性,在手术前后扫描中,平均DSC为0.96和IOU为0.92.
- 豪斯多夫距离第95百分点 (HD95) 值表明DL和SA细分之间的良好一致性 (0.62毫米手术前,0.77毫米手术后).
- 体积比较显示,下和增强硬组织的DL和SA细分方法之间没有显著差异.
结论:
- 基于SegResNet的DL模型证明了CBCT扫描对下水平GBR的准确细分.
- 虽然准确,但建议增加训练数据集以提高模型的稳定性.
- 自动化DL细分有助于治疗规划和评估GBR程序中的硬组织变化.
