通过使用深度学习方法从超声波图像中自动细分中面骨表面
1Department of Oral and Maxillofacial Surgery, Peking University School and Hospital of Stomatology, Beijing, China; National Center for Stomatology, Beijing, China; National Clinical Research Center for Oral Diseases, Beijing, China; National Engineering Research Center of Oral Biomaterials and Digital Medical Devices, Beijing, China.
International journal of oral and maxillofacial surgery
|January 29, 2025
概括
深度学习有效地从二维超声波图像中对面部骨进行细分. nnU-Net算法实现了最高的准确性,使无需辐射暴露的非侵入性3D骨建模成为可能.
科学领域:
- 医学成像医学成像
- 计算机科学 计算机科学
- 生物医学工程 生物医学工程
背景情况:
- 三维 (3D) 超声技术已经取得了显著的进步.
- 基于超声波的3D骨建模,特别是对于股骨,骨和脊柱,正在引起人们的注意.
- 超声波提供非侵入性,无辐射的骨表面数据采集.
研究的目的:
- 开发一种自动算法,通过2D超声波图像对中脸骨表面进行细分.
- 利用深度学习方法来提高面部中部骨区分的准确性.
- 为了比较各种深度学习网络对于这个特定应用的性能.
主要方法:
- 训练了六个深度学习网络:nnU-Net,U-Net,ConvNeXt,Mask2Former,SegFormer和DDRNet. 这些网络包括:
- 评估算法性能使用诸如子系数 (DC),交点对联 (IoU),豪斯多夫距离 (HD95) 和平均对称表面距离 (ASSD) 等指标.
- 与地面真相数据比较自动化细分结果.
主要成果:
- nnU-Net表现出卓越的性能,实现了最高的子系数 (89.3% ± 13.6%).
- nnU-Net也产生了最低的平均对称表面距离 (0.11 ± 0.40 mm).
- 这项研究证实了nnU-Net能够自动有效地对面部中部骨表面进行细分.
结论:
- 深度学习,特别是nnU-Net,提供了一种有效的方法,用于自动从2D超声波中分离面部中骨.
- 这种方法促进了非侵入性的3D骨建模,这对于各种医疗应用至关重要.
- 这一领域的进一步发展可以提高面外科手术的诊断准确性和治疗规划.


