基于深度学习的自动腺体细分和基于体积的新型指数,用于评估腺体缩
Xin Zhang1,2, Yuanyuan Li3,2, Xueying Wu4,2
1Department of Orthodontics, Shanghai Stomatological Hospital, School of Stomatology, Fudan University, Shanghai, China.
BMC oral health
|January 16, 2026
概括
一种新的深度学习方法使用圆束计算断层扫描 (CBCT) 准确测量腺体体积. 三维腺-鼻比率 (3D-AN) 有助于早期检测儿科阻塞性睡眠呼吸暂停 (OSA).
科学领域:
- 医疗成像医学成像
- 人工智能在医学中的应用
- 儿科睡眠医学 儿科睡眠医学
背景情况:
- 腺体缩是儿科阻塞性睡眠呼吸暂停 (OSA) 的主要原因,影响认知和面发育.
- 准确评估腺体体积和鼻阻塞对于及时干预至关重要.
- 目前用于量化呼吸道阻塞的方法缺乏三维精度.
研究的目的:
- 开发一种基于深度学习的方法,用于从CBCT扫描中准确地细分腺.
- 建立一个新的定量指数,即三维腺-鼻比率 (3D-AN),用于评估鼻气道阻塞.
- 为了研究3D-AN和儿科OSA之间的相关性.
主要方法:
- 一个基于SegResNet的深度学习模型被训练在从儿科OSA患者的CBCT扫描到细分腺体上.
- 通过从手术前扫描中预测术后呼吸道形态来确定腺体体积.
- 使用腺体和鼻体积计算了3D-AN比率,并使用多睡眠学数据分析了其与OSA的相关性.
主要成果:
- 腺体细分模型实现了0.88的子相似系数和0.09的相对体积误差.
- 低于0.18的3D-AN比率与儿科OSA没有显著的相关性.
- 超过0.18的3D-AN比率与儿科OSA显著相关 (r=0.56,P<0.01).
结论:
- 一种自动化的深度学习方法从CBCT提供了准确的腺体细分.
- 新的3D-AN比率显示了早期检测腺相关气道阻塞的潜力.
- 这种方法可以支持未来的研究和儿科气道阻塞的临床管理.
