合扩散模型用于金属工件 减少临床牙科CBCT图像

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 牙科放射学 牙科放射学

背景情况:

• 在Cone Beam CT (CBCT) 中,牙植入物中的金属工件 (MA) 阻碍了诊断.
• 现有的金属工件减少 (MAR) 深度学习方法因工件不一致或形态不准确而与临床数据发生冲突.

研究的目的:

• 提出一种新的合扩散模型 (CDM) 方法,用于在临床牙科CBCT图像中有效的MAR.
• 解决临床环境中监督和无监督MAR方法的局限性.

主要方法:

• 在MA降解和清洁的临床图像上单独训练了两个扩散模型,以捕获先前的信息.
• 开发了一个噪声转换模块,将MA噪声图像转换为消除噪声的初始值.
• 实施了MA适应性推断技术,以处理图像中的不同级别的工件.

主要成果:

• 在临床数据集上,CDM在客观指标和视觉质量方面表现优于现有方法.
• 该方法显示了显著的改进,特别是在严重金属工件降解的情况下.
• 代码将公开发布,用于进一步的研究和应用.

结论:

• 合扩散模型 (CDM) 为牙科CBCT中的金属工件减少提供了强大的解决方案.
• 提出的方法有效地减轻了人造物质,同时保持了精确的牙形态.
• 在植入式牙科中,CDM有望提高诊断信心和准确性.