基于隐性神经网络 (INN) 模型设计的单个上大的可行性和准确性:一项比较研究
Yiqing Wang1, Yuze Shi2, Nan Li2
1Department of Prosthodontics, Peking University School and Hospital of Stomatology & National Center of Stomatology & National Clinical Research Center for Oral Diseases & National Engineering Research Center of Oral Biomaterials and Digital Medical Devices & Beijing Key Laboratory of Digital Stomatology & Research Center of Engineering and Technology for Computerized Dentistry Ministry of Health & NMPA Key Laboratory for Dental Materials, Beijing, PR China.
概括
这项研究开发了一种基于隐性神经网络 (INN) 的模型,用于自动生物模拟尾骨重建. 新的POCO-PointMLP模型在数字皇冠设计中实现了与人类技术人员可比的准确性.
科学领域:
- 生物仿真牙科 生物仿真牙科
- 计算建模计算建模
- 医疗保健中的人工智能
背景情况:
- 精确的牙解剖学数字重建对于假牙至关重要.
- 目前用于数字皇冠设计的方法可能耗时,需要专门的专业知识.
研究的目的:
- 开发和评估一种基于隐式神经网络 (INN) 的新型模型,用于自动重建生物仿真牙.
- 评估INN模型在数字皇冠设计中的准确性和可行性.
主要方法:
- 开发了两个基于INN的模型:POCO-only和POCO-PointMLP.
- 从500个牙科扫描数据集中使用12,000或50,000个采样点训练模型.
- 通过使用Chamfer距离 (CD),F-score和体积IU的模型进行评估.
- 将自动生成的数字皇冠 (GC) 与由技术人员 (TC) 设计的数字皇冠 (OC) 与使用根平均平方 (RMS) 的原始临床皇冠 (OC) 相比较.
主要成果:
- 经过5万分训练的POCO-PointMLP模型表现出卓越的性能 (CD: 0.000119,F-score: 0.919,体积IOU: 0.943).
- 生成的数字皇冠 (GCs) 的数值平均RMS (0.2839毫米) 比技术人员设计的皇冠 (TCs) (0.3026毫米) 低,没有显著差异 (p=0.202).
- 无论是GC还是TC,都与原来的临床冠状 (OC) 非常接近.
结论:
- 基于INN的POCO-PointMLP模型是可行和准确的,用于自动化数字皇冠设计大第一个牙.
- 模型生成的设计显示出与经验丰富的技术人员创建的3D偏差相似的3D偏差.
- 这为牙数字设计提供了一种新且高效的人工神经网络方法.
