基于条件生成的对抗网络的 ортодонтических软组织形状预测的研究
Beiwen Gong1, Qiao Chang1, Tianlei Shi2
1Department of Orthodontics, School of Stomatology, Capital Medical University, Beijing 100070, China.
Journal of dentistry
|January 26, 2025
概括
一个新的深度学习模型,软P-CGAN,准确地预测了侧面面部外观的正牙治疗结果. 这种先进的条件生成对抗网络 (CGAN) 通过学习软硬组织变化,帮助临床医生设定治疗目标.
科学领域:
- 人工智能在医学中的应用
- 医学成像和图像分析
- 矯正牙醫和牙臉整形醫學
背景情况:
- 预测正牙治疗后面部侧面变化对于治疗规划至关重要.
- 现有的生成模型在准确预测软组织变化方面存在局限性.
研究的目的:
- 开发和验证一种新的条件生成对抗网络 (CGAN) 模型,软-P-CGAN,用于预测 ортодонтика治疗后的横向脑表变化.
- 为了提高人工智能驱动的正结果预测的准确性和可解释性.
主要方法:
- 开发了一个新的深度学习模型,软P-CGAN,具有条件向量输入,U-Net生成器和PatchGAN区分器.
- 软损失和多尺度特征金字塔被纳入,以改善软组织轮生成和图像质量.
- 通过使用平均辐射误差 (MRE) 和成功检测率 (SDR) 进行预测和实际治疗后放射图的比较来评估性能.
主要成果:
- 软-P-CGAN在定量图像质量评估中表现优异.
- 在4.0毫米 (100%) 内的软组织标志物中实现了高成功检测率 (SDR).
- 虽然大多数预测在临床上是可以接受的,但下部区域的预测显示出相对不准确;预测和实际头脑测量结果之间没有发现显著差异 (P > 0.05).
结论:
- 软-P-CGAN模型通过分析脑图中的软和硬组织关系,有效地预测治疗后的侧面外观变化.
- 该模型的预测在很大程度上在临床上是可以接受的,为 ортодонтика治疗目标设定提供了宝贵的支持.
- 这项研究验证了图像生成网络用于预测正牙形状的使用,并介绍了提高其准确性的方法.
