提高下膜神经细分的准确性,使用形束计算断层学术的积极学习,对相邻的解剖结构进行多标签的细分
Sungchul On1,2, Junhyeok Ock1, Myungsoo Bae1
1Department of Convergence Medicine, Asan Medical Institute of Convergence Science and Technology, Asan Medical Center, University of Ulsan College of Medicine, 388-1 Pungnap2- dong, Songpa-gu, Seoul, 05505, Republic of Korea.
Scientific reports
|March 3, 2025
概括
这项研究引入了一种使用多标签细分的积极学习方法,使用3D nnU-net在形光束计算机断层扫描 (CBCT) 中精确识别牙解剖,提高植入物规划的准确性.
科学领域:
- 数字牙科和医学成像技术
- 医疗保健中的人工智能
背景情况:
- 深度学习的进步对于数字牙科中精确的牙科细分至关重要.
- 牙解剖学的准确细分,如大,下和下膜神经 (IAN),对于牙植入物规划至关重要.
- 目前的细分方法需要改进复杂的3D圆束计算机断层扫描 (CBCT) 数据.
研究的目的:
- 通过使用主动学习和多标签策略,在3D CBCT扫描中提高牙解剖细分的准确性.
- 评估多标签细分与单标签和相邻的双标签方法的性能.
- 评估这些方法对关键结构的细分的影响,例如下膜神经 (IAN).
主要方法:
- 使用了3D nnU-net框架,集成了主动学习和多标签细分.
- 在Kooalldam牙科医院的60次CBCT扫描上培训和内部验证模型,并使用首尔国立大学牙科医院数据进行外部验证.
- 使用子相似系数 (DSC) 进行细分精度比较,并在三个培训阶段的单标签,对标签和多标签配置中平均绝对差异.
主要成果:
- 多标签模型在整体内部测试中取得了更高的DSC (95%) 与单标签 (91%) 和双标签 (93%) 模型相比.
- 在多标签模型的内部和外部数据集中观察到IAN细分DSC的显著改善 (90%和86%).
- 积极学习逐渐提高了预测准确性,大大减少了手动校正时间.
结论:
- 积极学习与多标签细分相结合,为3D CBCT中的自动牙解剖细分提供了一个高度准确和高效的方法.
- 这种方法显著提高了对牙植入物规划至关重要的细分结构的精度.
- 开发的战略表明,有可能简化数字牙科的临床工作流程.
