使用机器学习从软组织标志预测骨标志:关于Nasion定位的研究
概括
机器学习模型可以从软组织的地标预测骨的位置,为正牙科和外科手术中的头脑测量分析提供一种减少辐射的替代方案.
科学领域:
- 矯正牙醫和臉外科手術
- 医疗成像医学成像
- 机器学习 机器学习
背景情况:
- 头脑测量分析对于正牙科和大面部手术至关重要,传统上使用X射线.
- 缩小视野 (FOV) 圆束计算机断层扫描 (CBCT) 尽量减少辐射,但可能省略关键的骨地标,如 nasion.
- 准确的药物鉴定对于有效的治疗计划至关重要.
研究的目的:
- 研究使用机器学习 (ML) 模型预测骨的位置的可行性.
- 评估ML模型在从软组织地标估计 nasion 的准确性.
- 探索一个不那么侵入性的替代头脑测量分析,减少辐射暴露.
主要方法:
- 分析了137个CBCT扫描的数据集.
- 使用软组织标志物 (,Tragus,Alare) 作为预测.
- 通过10倍交叉验证评估了线性回归,随机森林和前神经网络 (FFNN) 模型.
主要成果:
- 线性回归实现了最高的精度,平均欧几里德误差为1.452 ± 1.077毫米.
- 机器学习模型通过软组织特征可靠地估计了骨标志.
- 这些发现支持使用ML来预测国家位置.
结论:
- 机器学习模型可以从软组织参考准确地预测骨标志,为头脑测量分析提供一种减少辐射的方法.
- 这种方法可以在没有全 CBCT 的情况下进行 nasion 估计,从而提高安全性,特别是对于儿科和对辐射敏感的患者.
- 在里程碑式的预测中,进一步开发人工智能可以推进非侵入性面诊断,并改善患者护理.
