PXseg:基于CBCT和全景放射图的自动牙细分,编号和异常形态检测
Raokaijuan Wang1, Fangyuan Cheng2, Guangsheng Dai2
1Department of Orthodontics, West China School of Stomatology, Sichuan University, Chengdu, 610041, China.
BMC oral health
|July 21, 2025
概括
PXseg改善了全景X射线 (PX) 分析,用于牙细分,编号和异常检测. 这个人工智能工具提高了诊断效率,并简化了牙科工作流程.
科学领域:
- 牙科和放射学 牙科和放射学
- 医疗成像中的人工智能
背景情况:
- 全景放射 (PX) 对于牙科诊断至关重要.
- 准确的牙细分,编号和异常检测对于有效的PX解释至关重要.
- 当前的方法可能会面临精度和效率方面的挑战.
研究的目的:
- 介绍PXseg,一种用于PX的自动牙细分,编号和异常形态检测的新方法.
- 通过优化注释和预训练策略来提高PXseg的性能.
- 评估PXseg在临床环境中的诊断效率.
主要方法:
- PXseg是使用形束计算断层扫描 (CBCT) 数据与3D标签用于预训练和传统PX (cPX) 数据与2D标签用于训练的组合开发的.
- 内部数据集用于视觉和统计分析,以评估细分和编号.
- 复杂牙科疾病的cPX的外部数据集评估了异常的牙检测准确性.
- 诊断测试与PXseg辅助和没有PXseg辅助的效率进行比较.
主要成果:
- 在牙细分 (DSC 0.882,F1得分0.902) 和编号 (F1得分0.943) 方面,PXseg取得了高性能,在没有预先培训的情况下表现优于模型.
- 异常牙形态检测准确度超过0.957,改善了4.3%.
- 开发了一个专门的网站来帮助PX解释,大大提高了诊断效率.
结论:
- 使用ctPX准确标签的预训练显著提高了PXseg在细分,编号和异常检测方面的性能.
- PXseg提供快速准确的结果,简化了全景X射线诊断工作流程.
- 在牙科中,PXseg具有显著的临床应用潜力.
