使用自动化牙细分从CBCT成像使用的正义牙科诱导的根吸收的定量分析和临床决定因素
Jiaqi Lin1, Qianhan Zheng1, Yongjia Wu1
1School of Stomatology, Clinical Research Center for Oral Diseases of Zhejiang Province, Stomatology HospitalZhejiang University School of MedicineKey Laboratory of Oral Biomedical Research of Zhejiang Province, Cancer Center of Zhejiang University, Hangzhou, 310006, China.
BMC oral health
|May 9, 2025
概括
ортодонтика治疗显著减少了根体积,诸如年龄和咬伤类型等因素影响了根吸收. 使用CBCT进行深度学习可以提高OIRR评估的准确性.
科学领域:
- 牙科 牙科是指牙科的专业.
- 放射学 放射学是一门学科.
- 人工智能的人工智能
背景情况:
- ортодонтически诱导的根吸收 (OIRR) 是具有挑战性的量化2D成像.
- 圆束计算断层扫描 (CBCT) 提供3D评估,但手动细分是耗时和可变的.
- 深度学习的进步使自动化,精确的牙细分从CBCT数据.
研究的目的:
- 应用深度学习和CBCT来准确量化OIRR.
- 识别和分析与OIRR相关的风险因素.
- 提高OIRR评估中的效率和临床决策.
主要方法:
- 对108名正牙患者的CBCT扫描进行了回顾性分析.
- 基于深度学习的牙细分和体积分析用于OIRR评估.
- 线性回归用于评估患者相关的根吸收风险因素.
主要成果:
- 在 ортодонтика治疗后观察到显著的根体积减少 (p < 0.001).
- 年龄,性别,开口咬伤,深咬伤和拥挤显著影响了根部再吸收率.
- 多变量分析表明,这些因素预测了根吸收,解释了3-15.4%的差异.
结论:
- 深度学习模型通过CBCT准确评估根体积变化,证实治疗后显著减少.
- 未成年患者的根部再吸收率较低.
- 前部开口咬伤和深部超咬伤是特定牙吸收的重要预测因素;骨模式不是.
