深度学习模型用于在CBCT卷中使用nnU-Net v2自动细分状鼻和中骨基结构
İbrahim Tevfik Gülşen1, Alican Kuran2, Cengiz Evli3
1Department of Oral and Maxillofacial Radiology, Faculty of Dentistry, Alanya Alaaddin Keykubat University, Antalya, 07425, Turkey.
Oral radiology
|August 1, 2025
概括
一种深度学习模型有效地在圆束计算机断层扫描 (CBCT) 中对关键的中骨基结构进行细分. nnU-Net v2 模型显示了状鼻,旋转孔和视频通道的高精度.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 人体解剖学 解剖学 解剖学
背景情况:
- 精确的中骨基解剖细分对于手术规划至关重要.
- 形束计算断层扫描 (CBCT) 广泛用于成像这些结构.
- 自动化细分可以提高效率和准确性.
研究的目的:
- 开发和评估深度学习模型,用于在CBCT卷中自动细分状鼻和中骨基结构.
- 为了这个细分任务,使用nnU-Net v2架构.
主要方法:
- 追溯分析99个CBCT扫描与手动注释状鼻和周围结构.
- 使用nnU-Net v2训练一个深度学习模型, 1000个时代的学习率为0.01.
- 使用诸如子系数 (DC),95%的豪斯多夫距离 (95% HD) 和曲线下面积 (AUC) 等指标的性能评估.
主要成果:
- 深度学习模型实现了状鼻,旋转孔和维迪安通道的高细分性能.
- 球形鼻的0.96的最高盘子系数 (DC) 被观察到.
- 该模型证明了这些关键解剖学地标的成功细分.
结论:
- nnU-Net v2模型为CBCT中的特定中骨基结构提供了高性能自动细分.
- 该模型的有效性在状鼻,旋转孔和维迪亚运河中最高.
- 需要进一步的优化,以细分其他,不那么一致地划分骨在中间的头骨底部.
