通过深度学习与多样性数据集在形束计算机断层扫描中自动识别硬和软组织标志:一项方法学研究
Yan Jiang1,2, Canyang Jiang2,3, Bin Shi1,2,3
1Department of Stomatology, The First Affiliated Hospital of Fujian Medical University, Tai-Jiang District, No.20 Cha-Ting-Zhong Road, Fuzhou, 350005, China.
BMC oral health
|April 8, 2025
概括
一个新的深度学习算法准确地识别软和硬组织面标志在束计算机断层扫描 (CBCT) 扫描. 这种人工智能方法提供了一个更快,更强大的替代手动地标检测在缺陷分析.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 矯正牙科 矯正牙科是一種矯正牙科.
背景情况:
- 在CBCT中用于面评估的手动地标检测需要专业知识和时间.
- 现有的方法在分析不同类型的缺陷中缺乏效率.
研究的目的:
- 开发和评估一种新的深度学习方法,用于在CBCT上自动检测面标志.
- 为了评估AI算法的准确性和稳定性,跨越各种类型的缺陷.
主要方法:
- 在498张CBCT图像和43个手动识别的地标上训练了一个深度学习模型.
- 使用平均绝对误差和平均辐射误差 (MRE) 评估了地标预测准确性.
- 在指定错误范围内计算成功检测率 (SDR).
主要成果:
- 算法在所有坐标上实现了0.74mm的平均绝对误差.
- 整体MRE为1.76±1.13毫米,SDR为60.16% (2毫米),91.05% (3毫米) 和97.58% (4毫米).
- 在标准GPU上,每个地标的预测时间大约为4.2秒.
结论:
- 人工智能算法在CBCT中为自动软硬组织基准检测提供了临床上可接受的准确性.
- 这项技术对常规临床使用和 ортодонтика中大规模数据分析充满希望.
- 深度学习为增强3D-CT地标识别和研究提供了一个强大的工具.
更多相关视频
10:23Author Spotlight: Three-Dimensional Cephalometric Landmark Annotation Demonstration on Human Cone Beam Computed Tomography Scans
Published on: September 8, 2023
2.5K
07:013D Imaging of Soft-Tissue Samples using an X-ray Specific Staining Method and Nanoscopic Computed Tomography
Published on: October 24, 2019
9.7K
