从微型CT转移学习到三维根管形态识别的周周放射

科学领域:

• 牙科成像和诊断牙科成像和诊断
• 机器学习在医学中的应用
• 放射学和解剖学研究

背景情况:

• 精确识别根管形态对于内牙治疗成功至关重要.
• 目前分析根管解剖的方法依赖于2D放射图,这可能会限制复杂的3D结构的可视化.
• 多模式转移学习提供了一个潜在的解决方案,通过整合来自不同成像模式的数据来增强诊断能力.

研究的目的:

• 研究隐性解剖特征从微型计算机断层扫描 (micro-CT) 转移到周围放射图的研究.
• 评估多模式转移学习对3D根管形态识别的有效性.
• 评估任务复杂度对转移学习模型性能的影响.

主要方法:

• 使用微型CT扫描底第二牙 (MSMs),以创建虚拟放射图.
• 临床模拟的周周放射图 (CSPRs) 是从ex vivo下产生的.
• 四个卷积神经网络 (CNN) 架构使用不同的预训练策略进行训练,包括在ImageNet上预训练的模型和虚拟射线图.
• 使用Grad-CAM可视化来解释模型的注意力,并将结果与内牙科住院医生的表现进行比较.

主要成果:

• 与 ImageNet 预先训练的模型 (64.36%) 和内住院医生 (61.17%) 相比,在三类分类任务中,在虚拟射线图上预先训练的 CNN 实现了更高的准确性 (69.68%).
• 格拉德-CAM分析显示,虚拟X光学预训练模型专注于相关的根结构,与ImageNet预训练模型不同.
• 在一个简化的两类任务中,方法之间的性能差异在统计学上并不显著,这表明转移学习的好处在复杂的任务中更大.

结论:

• 从微CT虚拟放射图片中隐含的3D特征可以通过转移学习有效地转移到CSPR.
• 这种方法提高了CNN的解释性和诊断准确性,用于根管形态识别.
• 多模式转移学习的有效性在复杂的多类分类任务中更为明显,为其在临床牙科成像中的应用提供了基础.