在最佳位置的CBCT图像中自动放置模拟的牙植入物:深度学习模型
Shahd Alotaibi1, Mona Alsomali2, Shatha Alghamdi2
1College of Computer and Information Sciences, King Saud University, P.O BOX 145111, Riyadh, 4545, Saudi Arabia. ShahdTaleb92@gmail.com.
Medical & biological engineering & computing
|February 26, 2025
概括
本研究介绍了一种两阶段的人工智能框架,用于使用圆束计算机断层扫描 (CBCT) 图像放置牙科植入物. 人工智能模型有助于准确确定植入物尺寸和定位,可能减少这种复杂的牙科手术中的错误.
科学领域:
- 人工智能在牙科中的应用
- 医学成像分析 医学成像分析
- 手术规划 手术规划
背景情况:
- 植入式牙科是取代缺失牙的标准,需要精确的规划,使用形光束计算机断层扫描 (CBCT).
- 传统的CBCT对植入物安置的分析是耗时的,容易出现人为错误,因为它依赖于牙医的专业知识.
- 精确确定植入物长度,直径和位置至关重要,考虑到骨形态和相邻的解剖结构.
研究的目的:
- 介绍一种新的两阶段人工智能 (AI) 框架,用于自动化牙科植入物安置计划.
- 利用深度学习,特别是YOLOv11,在植入式牙科中对CBCT图像进行增强分析.
- 提高确定关键植入物参数的准确性和效率.
主要方法:
- 为牙科植入物安置制定了一个两阶段的框架.
- 第一阶段使用YOLOv11检测二维CBCT切片中的信托标记物和骨.
- 第二阶段使用分类和回归来提取植入物坐标,并预测骨内长度和直径.
主要成果:
- 在标记物检测方面,YOLOv11获得了59%的F-分数.
- 植入物位置预测显示平均绝对误差在11.931和15.954.4之间.
- 骨内直径的分类准确率为76%,骨内长度的分类准确率为59%.
结论:
- 开发的AI框架显示出有助于牙科植入物规划的前景.
- 由假牙医审查的结果表明,有可能减少错误并提高效率.
- 需要进一步的研究和验证,才能将这种AI方法完全整合到临床实践中.
