使用半监督学习对3D CBCT图像进行自动细分和地标检测,以协助整形手术规划

科学领域:

• 医疗成像医学成像
• 人工智能在医学中的应用
• 口腔和牙面部外科手术

背景情况:

• 整形手术纠正异常的关节关系,影响塞和面部美学.
• 牙收缩,突起和不对称性是正手术患者常见的挑战.
• 准确的手术前评估对于成功的手术结果至关重要.

研究的目的:

• 开发和评估一种半监督学习方法,用于分析上下的位置和不对称性.
• 为了自动分割3D形束计算机断层扫描 (CBCT) 图像并检测面部地标.
• 为 orthognathic 手术中增强手术前规划提供一个工具.

主要方法:

• 使用半监督学习方法对3D CBCT图像进行自动细分.
• 实施了里程碑检测算法来量化下巴位置和不对称性.
• 将半监督方法的性能与完全监督方法进行了比较.

主要成果:

• 实现了高细分精度,子得分为大骨的93.41%和下骨的96.89%.
• 显示了1.908 ± 1.166mm的低平均地标检测误差.
• 半监督的方法在细分和地标检测准确性方面超过了完全监督的算法,但注释数据有限.

结论:

• 拟议的半监督学习方法有效地细分了结构,并从CBCT图像中检测了地标.
• 这种人工智能驱动的方法比传统的手术前分析方法提供了更高的性能.
• 这项技术适用于临床应用,以协助外科医生规划整形手术.