相关实验视频

Updated: Jan 12, 2026

Author Spotlight: Three-Dimensional Cephalometric Landmark Annotation Demonstration on Human Cone Beam Computed Tomography Scans

Author Spotlight: Three-Dimensional Cephalometric Landmark Annotation Demonstration on Human Cone Beam Computed Tomography Scans

Published on: September 8, 2023

Skel-Net:使用解剖学预先指导的深度学习网络,在扫描的侧向脑图上自动预测骨模式

Eun Sun Song¹, Su Yang², Won-Jin Yi^2,3

¹Department of Oral Anatomy, School of Dentistry, Seoul National University, Seoul, Republic of Korea.

BMC oral health

|November 1, 2025

概括

深度学习模型Skel-Net准确地预测了儿童和青少年的面ANB角度变化. 这种人工智能工具有助于个性化 ортодонтика治疗规划,以改善结果.

科学领域:

头骨面部发育研究研究
人工智能在正牙科中的应用
医疗图像分析医学图像分析

背景情况:

准确的面图案估计对于正牙成功至关重要.
静态测量和手动头脑测量分析在捕捉动态变化方面存在局限性,需要专业知识.
介绍了Skel-Net作为一个新的深度学习网络,用于估计面生长模式.

研究的目的:

开发和验证Skel-Net,一个解剖学预先引导的深度学习网络.
在儿科患者 (8-16岁) 中估计5年内ANB角度的变化.
为了提高对正牙应用的面生长预测的准确性和效率.

主要方法:

一种两阶段的方法,将头脑测量地标检测 (Ceph-Net) 与多通道输入相结合.
利用二维热图和ANB角度先验来提高预测的准确性.
在245名患者的612个横向脑图上接受了培训和验证,与已建立的深度学习模型进行比较.

主要成果:

与DenseNet121,MobileNetV2,ResNet101和VGG16.16相比,Skel-Net表现出了优异的性能,这是一个非常好的例子.
实现了最低的预测误差:平均绝对误差为1.021度,根平均平方误差为1.338度.
记录了最高的R平方值 (0.517),表明对面生长的强大预测能力.

结论:

Skel-Net有效地利用解剖学先验和纵向数据进行动态的,个性化的面生长预测.
该框架支持早期和精确的正牙干预,提高治疗效率和稳定性.
这种由人工智能驱动的方法有望改善整体的病人结果在牙科.

关键词:

头脑测量分析的分析深度学习是一种深度学习.骨缺陷是指骨的缺陷.

相关概念视频

Classification of Bones

Classification of Bones

The bones of the human skeletal system are of varied shapes, sizes, and functions. They can be classified based on their shape and function into four major classes: long bones, short bones, flat bones, and irregular bones. Some classifications include a fifth type, the sesamoid bones, as a separate class, whereas others categorize them under short bones.
Long and Short Bones
The appendicular skeleton, particularly the upper and lower limbs, is primarily made of long and short bones. The...