在多中心CBCT图像上自动定位下管道的基于卷积神经网络的模型的开发和验证
Xiao Pan1,2, Chengtao Wang1, Xuhui Luo1
1Department of Dentomaxillofacial Radiology, Nanjing Stomatological Hospital, Affiliated Hospital of Medical School, Institute of Stomatology, Nanjing University, Zhong Yang Road 30, Nanjing, Jiangsu Province, 210008, China.
BMC oral health
|August 21, 2025
概括
一个新的深度学习模型准确地定位下管在束CT扫描上. 这种卷积神经网络在牙科成像中具有很强的潜力.
科学领域:
- 医学成像
- 人工智能
- 放射学
背景情况:
- 精确定位下通道 (MC) 对于牙植入术至关重要.
- 束计算断层扫描 (CBCT) 广泛用于牙科成像,但MC定位可能具有挑战性.
- 自动化MC定位可以提高临床实践的效率和准确性.
研究的目的:
- 使用卷积神经网络 (CNN) 开发和验证深度学习 (DL) 模型,用于自动下道 (MC) 定位.
- 在不同制造商的多中心CBCT图像上评估模型的性能.
主要方法:
- 使用一个制造商 (培训,验证,内部测试) 的836个CBCT扫描结果,开发出了CNN模型.
- 该模型在来自四个不同制造商的220个CBCT扫描上进行了外部验证.
- 使用平均对称表面距离 (ASSD) 和对称平均曲线距离 (SMCD) 进行定量评估,并通过视觉评分进行定性评估.
主要成果:
- 内部测试显示平均ASSD为0. 486毫米,SMCD为0. 298毫米.
- 外部测试在86.8%的扫描中获得了≥4分的视觉得分,高得分扫描的平均ASSD为0. 438mm,SMCD为0. 185mm.
- 自动MC定位平均需要8.52秒,比手动方法快得多.
结论:
- 开发的CNN模型显示下管局部化的高准确性和概括性.
- 该模型显示了在多中心CBCT数据上自动化MC定位的优秀临床应用潜力.
- 进一步的研究可以探索将其整合到临床工作流程中,以加强牙科成像分析.


