在形光束计算机断层扫描图像上,下巴牙周骨拓图的自动深度学习细分

科学领域:

• 牙科 牙科是指牙科的专业.
• 医疗成像医学成像
• 人工智能的人工智能

背景情况:

• 晚期牙周炎 (III和IV阶段) 需要精确的诊断.
• 圆束计算断层扫描 (CBCT) 为牙周评估提供3D成像.
• 自动细分CBCT数据可以提高诊断效率.

研究的目的:

• 评估深度学习 (DL) 模型,用于在CBCT图像中自动细分牙周缺陷.
• 与半自动 (SA) 方法相比,评估DL模型的准确性和时间效率.
• 为了确定基于DL的细分对治疗规划的临床有效性.

主要方法:

• 开发了一个基于多级分段剩余网络 (SegResNet) 的DL模型.
• 该模型在70次CBCT扫描中进行了训练和验证,并在10次独立扫描中进行了测试.
• 分区的准确性是使用子相似系数 (DSC),交叉点对联 (IoU) 和豪斯多夫距离第95百分位数 (HD95) 来量化的.
• 进行了线性牙周测量,以评估细分有效性.

主要成果:

• DL模型实现了高精度,平均DSC为0.9650,IOU为0.9340,HD95为0.4820毫米.
• 线性测量显示,面部,远部和舌部表面有很强的相关性 (ICC > 0.92),口腔表面的一致性较低 (ICC = 0.7481).
• 与SA方法相比,DL方法将细分时间缩短了47倍.

结论:

• 在CBCT图像中,DL模型在细分牙周缺陷方面表现出高的准确性和效率.
• 这项技术提高了晚期牙周炎3D诊断的可行性,有助于精确的治疗规划.
• 为了保持一致的性能,需要进一步提高模型的强度,特别是在口腔方面.