在形光束CT中,基于深度学习的下管道细分达到人类水平的性能
Wiebke Semper-Hogg1, Alexander Rau2, Marc Anton Fuessinger1
1Department of Oral and Maxillofacial Surgery, University Medical Center Freiburg, Faculty of Medicine, University of Freiburg, 79106 Freiburg, Germany.
Dento maxillo facial radiology
|February 11, 2025
概括
深度学习在形光束CT扫描中准确地细分下管道,有助于牙植入物规划. 这种自动化工具通过降低神经血管并发症的风险来提高安全性.
科学领域:
- 牙科 牙科是指牙科的专业.
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 精确识别下沟通道对于安全安置牙植入物至关重要.
- 圆束CT (CBCT) 是牙科中标准的成像方式.
- 当前的细分方法可能耗时且依赖于运营商.
研究的目的:
- 评估CBCT数据中下管细分的深度学习模型的准确性和可靠性.
- 开发一个高效的自动化工具,用于牙科植入物治疗计划.
主要方法:
- 使用了90次CBCT扫描的数据集,并进行了实地真相细分.
- 一个层次的卷积神经网络被开发和训练.
- 使用子相似系数 (DSC),豪斯多夫距离 (HD) 和平均对称表面距离 (ASSD) 来评估性能.
- 牙科成像从业人员进行的定性评估评估了信任和安全.
主要成果:
- 深度学习模型实现了0.77 ± 0.09的平均DSC.
- 平均HD为1.66 ± 0.86毫米,平均ASSD为0.31 ± 0.15毫米.
- 定性评估显示,与地面真相相比,信任和安全没有显著差异.
结论:
- 基于深度学习的细分在CBCT中准确且可靠地识别下沟通道.
- 这种自动化方法可以简化牙科植入物的手术前规划.
- 该技术通过潜在地减少神经血管并发症,提高了患者的安全性.
