开发一种初步诊断工具,用于对CBCT图像中的良性下病变进行细分,使用nnU-Net v2:基于人工智能的方法

科学领域:

• 口腔和面放射学 口腔和面放射学
• 医学图像分析 医学图像分析
• 人工智能在医学中的应用

背景情况:

• 在束计算断层扫描 (CBCT) 中精确细分下病变对于临床决策至关重要.
• 现有的自动化细分方法通常依赖于2D数据,而nnU-Net v2等先进的3D架构的有效性仍然未被探索.

研究的目的:

• 评估nnU-Net v2算法在CBCT图像上对病变进行3D细分的性能.
• 将自动细分的速度与专家临床医生手动细分的速度进行比较.

主要方法:

• 开发了三种nnU-Net v2模型来解决类不平衡问题:一个用于所有良性下病变,一个用于根性囊,一个用于牙状囊.
• 使用子相似系数 (DSC),精度和回忆来评估细分的准确性.
• 将自动化细分时间与人工专家细分时间进行比较,并在外部数据集上验证.

主要成果:

• 获得的DSC值为良性病变的0.70 ± 0.08,根性囊的0.70 ± 0.21,牙囊的0.72 ± 0.04.
• 自动细分在不到1分钟内完成,比手动细分快大约15倍.
• 外部数据集验证得出了从0.84到0.87.8的DSC得分.

结论:

• nnU-Net v2 展示了对病变,包括特定囊类型的一致和准确的3D细分性能.
• 自动化方法比手工细分提供了显著的时间节约优势,促进了高效的临床工作流程.