基于深度学习的定量椎脊椎成熟分析

科学领域:

• 医疗成像医学成像
• 人工智能在医学中的应用
• 矯正牙科 矯正牙科是一種矯正牙科.

背景情况:

• 定量椎脊椎成熟 (QCVM) 的分期对于正牙治疗规划至关重要.
• 目前用于标志性标识和成熟分阶段的方法通常是主观的和耗时的.
• 深度学习模型在头脑测量分析中处理解剖学变异方面表现有前途.

研究的目的:

• 开发一种先进的双阶段卷积神经网络 (CVnet),用于精确地定位椎标志.
• 为了提高定量椎成熟阶段 (QCVM) 的准确性.
• 评估系统的性能及其对初级牙科专家诊断准确性的影响.

主要方法:

• 一个双阶段卷积神经网络 (CVnet) 在 2100 个脑表图像上被设计和训练 (训练,验证,测试的比例为 8:1:1).
• 该系统评估了各种感兴趣的区域 (ROI) 尺寸,以定位19个椎脊柱的地标,并对QCVM阶段进行分类.
• 用成功检测率和学生t测试来测量里程碑定位的准确性;用6名初级牙科医生测试QCVM诊断的准确性.

主要成果:

• 最佳的ROI校准产生了0.66±0.46毫米的平均地标定位误差,在2毫米范围内98.10%的成功检测率.
• 该系统实现了69.52%的QCVM阶段识别精度.
• 年轻的正牙医在使用该系统时在分期准确度上有10.95%的改善.

结论:

• 一个两阶段的神经网络有效地自动化了椎脊椎地标识别和QCVM分期.
• 开发的方法简化了工作流程,并提高了骨成熟度估计的准确性.
• 该系统为一致的治疗计划提供了有价值的临床支持,特别是对经验较少的从业者来说.