人工智能驱动的CBCT牙细分的真实性:一个比较验证的ex vivo试点研究

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:

• 从形束计算机断层扫描 (CBCT) 中精确细分牙结构对于诊断和治疗规划至关重要.
• 由人工智能驱动的工具为自动化和改进细分精度提供了潜力.
• 对物理基础真相进行比较验证对于评估AI性能至关重要.

研究的目的:

• 评估和比较四个商业AI细分工具 (Diagnocat,Relu,CephX,CoDiagnostiX) 和一个开源软件 (3D Slicer与DentalSegmentator) 的真实性.
• 评估这些工具用于牙科CBCT细分的准确性,使用提取的人类牙作为物理地面真相参考.

主要方法:

• 使用高分辨率CBCT扫描了10个单根人类牙.
• 提取的牙使用口腔内扫描仪进行了数字化,以创建基准真相参考模型.
• 每个软件都处理了DICOM数据集,3D模型被注册并使用表面对表面距离指标进行比较 (例如,Hausdorff,RMSD,MAD).

主要成果:

• 在所有工具中观察到细分真实性的显著差异 (p<0.001).
• 雷卢 (MAD 0.10±0.02毫米) 和Diagnocat (MAD 0.10±0.04毫米) 显示了最高的真实性.
• CephX显示了最低的真实性 (MAD 0.25±0.05毫米),而3D Slicer的性能与商业解决方案相提并论.

结论:

• 雷鲁和Diagnocat在CBCT牙细分与实物标本之间实现了最高的真实性.
• 所有测试的工具在大多数应用中都表现出临床上可接受的真实性,但性能差异很大.
• 需要进一步的大规模验证研究来调查最终临床建议之前的性能差异.