从牙科CBCT学习儿童牙细分的个人图表表示

科学领域:

• 医疗成像医学成像
• 计算机视觉 计算机视觉
• 牙科研究 牙科研究

背景情况:

• 由于牙类型和空间分布的年龄相关变化,从形光束计算机断层扫描 (CBCT) 进行儿科牙细分具有挑战性.
• 现有的细分方法,主要是为成人牙科开发的,缺乏适应儿童牙与个体变化的独特空间分布 (SDPTIC) 的适应性.
• 这种局限导致在CBCT图像中细分儿科牙的准确度低于最佳.

研究的目的:

• 开发一种新的深度学习方法,从CBCT数据中准确地对儿科牙进行细分.
• 通过引入拓结构引导图形卷积网络 (TSG-GCN) 来应对SDPTIC的挑战.
• 为了提高自动化儿科牙细分的适应性和准确性.

主要方法:

• 开发了一个新的拓结构引导图形卷积网络 (TSG-GCN),集成了一个基于3D GCN的分段解码器和一个用于动态相邻矩阵学习 (DAML) 的2D解码器.
• 通过从专门设计的2D投影标签中学习动态相邻矩阵来捕获SDPTIC信息,这些标签来自3D CBCT数据.
• 实施了一种新的损失功能,以确保3D细分解码器和2D DAML解码器之间的跨任务一致性,解决潜在的融合问题.

主要成果:

• 与七种最先进的方法相比,TSG-GCN方法在儿科牙细分精度方面取得了显著的改善.
• 对公共和多中心数据集的验证证实了拟议方法的有效性.
• 动态图表表现有效地捕获了SDPTIC,从而提高了细分性能.

结论:

• TSG-GCN是一种高效的方法,用于从CBCT进行儿科牙细分,其性能优于现有的方法.
• 这种新的方法成功地解决了儿科牙中个体空间变化的挑战.
• 这项工作为自动分析儿科牙科CBCT扫描提供了有前途的进展.