基于人工智能的全自动化数字工作流,用于对健康和缺陷的面模型进行镜像
Michel Beyer1,2, Julian Grossi1,2, Alexandru Burde3
1Department of Oral and Cranio-Maxillofacial Surgery, University Hospital Basel, 4031 Basel, Switzerland.
Journal of imaging
|November 26, 2025
概括
这项研究引入了用于面重建的自动化数字管道,使用深度学习进行精确的解剖细分和算法镜像. 该系统为复杂的外科病例提供了标准化,可重复和时间效率高的规划.
科学领域:
- 医疗成像医学成像
- 计算机辅助手术 计算机辅助手术
- 生物医学工程 生物医学工程
背景情况:
- 精确的面重建依赖于解剖结构的精确细分和镜像.
- 目前的手工方法耗时,容易导致操作员的变化,影响手术规划.
- 开发自动化解决方案对于提高面缺陷修复的效率和可重复性至关重要.
研究的目的:
- 开发和验证用于面重建的全自动化数字管道.
- 将基于深度学习的细分与算法镜像集成在一起,以提高精度.
- 建立一个标准化,节省时间的手术规划工作流程.
主要方法:
- 利用388个头骨CT扫描来训练3D nnU-Net模型进行头骨和下细分.
- 采用主要组件分析-代最接近点 (PCA-ICP) 算法用于对称平面计算和镜像.
- 使用子相似系数 (DSC),平均表面距离 (MSD),豪斯多夫距离 (HD) 和角偏差与专家参考相比,量化精度.
主要成果:
- nnU-Net模型实现了高细分精度 (下DSC:0.956,骨DSC:0.965). 这是一个非常好的模型.
- 自动镜像显示出与专家平面的角偏差最小 (下1.32°±0.71°,骨1.75°±0.84°在缺陷的情况下).
- 工作流显示出强大的性能和准确性,不受缺陷存在的影响.
结论:
- 开发的自动化数字管道为面重建提供了标准化,可复制和时间效率高的解决方案.
- 这种方法提高了细分和镜像的精度,改善了手术规划.
- 经过验证的工作流显示了在治疗面缺陷方面显著的临床适用性.
