在使用卷积神经网络的闭合口内摄影中进行牙拥挤量的定量分析
Gabriel Hertig1, Niels van Nistelrooij2,3, Jan Schols4
1Clinic of Orthodontics and Pediatric Dentistry, University of Zurich, Plattenstrasse 11, 8032 Zürich, Switzerland.
European journal of orthodontics
|May 21, 2025
概括
一个新的深度学习模型可以准确地评估牙拥挤情况,并从单个口内照片中计算小不规则指数. 这为传统的基于扫描的测量提供了更快,更方便的替代方案,用于正牙诊断.
科学领域:
- 牙科 牙科是指牙科的专业.
- 矯正牙科 矯正牙科是一種矯正牙科.
- 医疗保健中的人工智能
背景情况:
- 牙科拥挤是影响治疗计划的主要正统牙科问题.
- 目前用于量化拥挤的方法涉及耗时的手动测量从牙成型或扫描.
- 需要自动化,高效的工具来评估牙拥挤.
研究的目的:
- 开发和验证一个深度学习模型,用于自动评估前牙拥挤.
- 为了使微小不规则指数的计算只使用单个口内照片.
- 为提供一个更有效的诊断工具,用于正牙治疗.
主要方法:
- 一个卷积神经网络 (CNN) 被训练在125个人的数据集上,其中包括注释的口内扫描和照片.
- CNN的设计是为了从图像中识别牙边界,接触点和位移.
- 模型的性能与使用类内相关性 (ICC) 和平均绝对差异 (MAD) 的口内扫描的共识测量进行了评估.
主要成果:
- 在前面拥挤的评估中,CNN模型表现出高可靠性 (ICC = 0.900) 和准确性 (MAD = 0.36 mm).
- 该模型还在计算小不规则指数时显示出强大的可靠性 (ICC = 0.930) 和准确性 (MAD = 0.74 mm).
- 结果表明与已建立的基于扫描的测量方法有很好的相关性.
结论:
- 开发的基于CNN的模型有效地从单个口腔内照片中量化前牙拥挤和小不规则指数.
- 该模型提供了令人满意的可靠性和准确性,有可能简化正诊断.
- 对于牙间距离或超出测试严重程度范围的病例,需要进一步验证.
