使用swin UNETR深度模型在CBCT中自动检测膜骨化/解脱
Ailin Xu1, Hanxiao Huang2, Bin Zhang2
1Department of Orthodontics, Beijing Stomatological Hospital, Capital Medical University, Capital Medical University School of Stomatology, Beijing, China.
Frontiers in bioengineering and biotechnology
|March 2, 2026
概括
一个新的深度学习模型准确地检测和测量圆束计算机断层扫描 (CBCT) 图像中的窗口和脱光. 这种人工智能工具增强了对膜骨缺陷的诊断,以改善正牙治疗规划.
科学领域:
- 牙科 牙科是指牙科的专业.
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 窗化和脱落是大气泡骨缺陷,可以使正牙治疗复杂化.
- 准确的检测和测量对于风险评估和治疗规划至关重要.
- 圆束计算机断层扫描 (CBCT) 是牙科中常见的成像方式.
研究的目的:
- 开发和评估一个深度学习模型,用于自动检测和定量测量CBCT图像中的 fenestration 和 dehiscence.
- 为了提供一个精确的工具来诊断这些膜骨缺陷.
- 为了提高诊断效率和正牙风险评估的准确性.
主要方法:
- 一个转移窗口变压器U-Net (Swin UNETR) 模型在10752张手动注释的斜CBCT牙图像上接受了训练.
- 用关键点定位精度,长度测量精度和疾病检测性能来评估模型性能.
- 热图被用于视觉识别缺陷位置.
主要成果:
- 斯温UNETR模型实现了高关键点识别率 (92.97%-99.09%) 的 fenestration 和 dehiscence.
- 预测的缺陷长度与实际测量有很强的相关性.
- 疾病诊断准确度在0.8228到0.9476之间,显示出强大的表现.
结论:
- 开发的深度学习模型能够准确地定位和定量测量 fenestration 和 dehiscence.
- 这种人工智能驱动的方法提高了膜骨缺陷的诊断效率和准确性.
- 该模型促进了手术前的正风险评估和个性化治疗规划.
