一个平台,结合自动细分和自动测量上鼻和相邻结构的平台
Jiawei He1,2, Muxi Sun3, Youtong Huo1
1State Key Laboratory of Oral Diseases & National Center for Stomatology & National Clinical Research Center for Oral Diseases, West China Hospital of Stomatology, Sichuan University, Chengdu, Sichuan, 610041, China.
Clinical oral investigations
|January 25, 2025
概括
一个深度卷积神经网络 (DCNN) 平台准确地细分上鼻 (MS) 和相邻结构. 这使牙医能够进行即时的3D重建和测量,以获得更好的临床见解.
科学领域:
- 使用先进的深度学习,特别是深度卷积神经网络 (DCNNs),用于医疗图像分析.
- 专注于用于牙科和大面部应用的圆束计算机断层扫描 (CBCT) 数据的定量分析.
背景情况:
- 在牙科诊断中,准确地细分和测量上鼻 (MS) 和周围结构至关重要.
- 手动细分和测量是耗时的,容易引起观察者之间的变化.
研究的目的:
- 开发一个使用DCNN的自动化平台,用于对大鼻腔 (MS) 和相邻的解剖结构进行细分.
- 从CBCT扫描中创建算法,自动测量3D临床参数.
- 评估开发的DCNN和测量算法的临床可靠性和准确性.
主要方法:
- 在175个CBCT数据集 (242个MS) 上训练了一个2.5D结构的DCNN,包括健康和患病的鼻,粘膜厚度不同.
- 开发了用于测量3D临床参数的自动算法.
- 使用子相似系数 (DSC) 验证的细分精度和使用类内相关系数 (ICC) 的测量可靠性.
主要成果:
- 实现了对细分的高中位数DSC值:0.990 (空气腔),0.850 (粘膜),0.961 (牙) 和0.953 (大骨).
- 在所有自动测量算法中,ICC超过0.975的卓越可靠性.
- 在体积 (±0.5厘米3) 和二维 (±1毫米) 度量方面报告的偏差很低,在不完整的MS和无牙的峰上表现令人满意.
结论:
- 基于DCNN的平台提供了上鼻和相邻结构的临床可靠的自动细分.
- 自动测量算法有效地从CBCT 2D平面中提取3D临床信息.
- 这个集成的平台为牙科专业人员提供了即时的3D重建和参数测量.
