[基于深度学习的沟通道的细分和验证及其在形光束CT上的分叉]
Ye Ye1, Shuobo Fang, Huitong Lu
1Department of Prosthodontics, Shanghai Stomatological Hospital and School of Stomatology, Fudan University. Shanghai 200001, China.
概括
这项研究开发了一种U-net卷积神经网络,用于在牙科CBCT扫描中准确检测和细分下沟通道及其分叉,实现临床应用的高精度和速度.
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:
- 精确识别下沟通道及其分叉对于牙科手术至关重要.
- 目前的细分方法可能缺乏精度和效率.
研究的目的:
- 训练一个U-net卷积神经网络来检测和细分下沟通道及其分叉.
- 为了验证U-net模型的准确性与专家标记的基础真相相对比.
主要方法:
- 使用了290个CBCT扫描数据集,其中200个用于培训,90个用于测试.
- 使用初始专家注释和伪标签方法训练了一个3D U-net模型.
- 应用了形态后处理,并使用Dice相似系数和Hausdorff距离评估了模型性能.
主要成果:
- U-net模型显示出可靠的细分性能,平均Dice相似系数为0.739和Hausdorff距离为0.988毫米.
- 该模型在具有明确分叉的扫描上实现了91.30%的分叉检测率.
- 牙医之间的观察者间一致性是使用卡帕值 (0.667) 进行评估的.
结论:
- 开发的U-net模型提供了一种可靠和实用的方法,用于在牙科CBCT中识别和细分下沟通道.
- 该模型表现出高细分精度和高效的预测速度.
- 这种人工智能驱动的方法有可能提高牙科的诊断准确性和治疗规划.
