基于三维面部扫描的机器学习对骨差异的分类
1Department of Orthodontics, Peking University School and Hospital of Stomatology, Beijing, China; National Centre for Stomatology, Beijing, China; National Clinical Research Centre for Oral Diseases, Beijing, China; National Engineering Research Centre of Oral Biomaterials and Digital Medical Devices, Beijing, China; Beijing Key Laboratory of Digital Stomatology, Beijing, China; Research Centre of Engineering and Technology for Computerized Dentistry Ministry of Health, Beijing, China.
International journal of oral and maxillofacial surgery
|March 18, 2025
概括
机器学习模型准确地使用3D面部扫描来分类斜和垂直骨差异. 这些先进的方法显示了通过分析面部形态来帮助正牙诊断的潜力.
科学领域:
- 矯正牙醫和牙臉整形醫學
- 医学成像和计算机辅助诊断
- 生物医学工程 生物医学工程
背景情况:
- 骨差异显著影响面部美学和功能.
- 准确分类的斜视和垂直差异对于有效的正牙治疗规划至关重要.
- 传统的脑力测量分析可能耗时,可能缺乏全面的3D形态洞察力.
研究的目的:
- 应用机器学习 (ML) 模型来分类斜视 (II类,III类) 和垂直 (低分歧,高分歧) 骨差异.
- 用3D面部扫描来评估不同ML算法的性能,以区分这些差异.
- 通过主要成分分析分析与骨差异相关的面部形状变异性.
主要方法:
- 使用了435名正牙前患者的3D面部扫描.
- 进行了头脑测量分析和3D面部标志识别.
- 训练和评估了三个ML模型:随机森林,AdaBoost和多层感知器,使用曲线下的面积 (AUC) 和精度指标.
- 使用主要组件分析 (PCA) 来评估面部形态变异.
主要成果:
- ML模型表现出高性能,沙吉塔分类的AUC从0.91到0.95.9不等.
- 随机森林获得了最高的形分类准确度 (88.5%为II类,95.5%为III类).
- 多层感知器显示了最好的垂直分类准确度 (低分歧的78.8%,高分歧的86.2%).
- 六个主要成分解释了94.0%的面部形态变异.
结论:
- 机器学习模型在区分三维面部扫描的斜和垂直骨差异方面显示出显著的希望.
- 面部3D软组织特征是识别大多数正牙患者骨差异的有效指标.
- 基于ML的分析提供了一个潜在的高效和准确的补充,以传统的诊断方法在牙矯正.
