在CBCT中使用nnU-Net v2进行状骨的自动3D细分:对模型性能和潜在的临床实用性的回顾性研究
Ismail Gümüssoy1, Emre Haylaz2, Suayip Burak Duman3
1Department of Oral and Maxillofacial Radiology, Faculty of Dentistry, Sakarya University, Adapazarı, Sakarya, 54100, Turkey.
BMC medical imaging
|July 2, 2025
概括
这项研究成功地使用了一种AI模型 (nnU-Net v2) 来在CBCT扫描中准确地细分状骨. 这种自动化方法可以显著提高临床医生的诊断速度和精度.
科学领域:
- 医疗成像医学成像
- 放射学中的人工智能
- 解剖学的细分 解剖学的细分
背景情况:
- 精确识别舌骨 (HB) 对于各种临床应用至关重要.
- 在形束计算机断层扫描 (CBCT) 图像中手动细分HB可以耗时和主观.
研究的目的:
- 开发和评估一种人工智能 (AI) 模型,特别是nnU-Net v2,用于在CBCT图像中自动分隔状骨.
- 评估人工智能模型在细分舌骨中的准确性和性能.
主要方法:
- 使用了来自190名患者的CBCT图像.
- 在训练和测试人工智能模型时使用nnU-Net v2架构.
- 使用诸如子系数,十字路口与联盟,F1得分和95%的豪斯多夫距离等指标来评估表现.
主要成果:
- nnU-Net v2模型在状骨细分方面表现出高准确度.
- 关键性能指标包括0.9434,0.8941的IOU,0.9446的F1得分和1.9998.95的95%高清度.
- 达到了0.98的AUC,这表明模型的性能很好.
结论:
- nnU-Net v2 模型提供了一种精确和准确的方法,用于在CBCT图像上自动分离状骨.
- 自动化细分可以提高临床决策的速度和准确性,用于诊断和治疗与舌骨相关的疾病.
