使用基于深度学习的里程碑检测用于定量膜骨损失的自动化框架
Erkang Tian1, Linyu Huang1, Bingkun Fu2
1State Key Laboratory of Oral Diseases, West China School of Stomatology, National Clinical Research Center for Oral Diseases, Med-X Center for Manufacturing, Sichuan University, Chengdu 610064, China.
Journal of dentistry
|March 11, 2026
概括
这项研究引入了一种AI框架,用于在全景放射图上测量放射性膜骨损失 (ABL). 人工智能工具为ABL测量提供了一个快速和客观的替代方案,帮助临床实践.
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:
- 放射性气泡骨损失 (ABL) 评估对于牙周病的诊断至关重要.
- 在全景射线图上手动测量ABL是耗时和主观的.
研究的目的:
- 开发和验证一个自动化的深度学习框架,用于使用全景射线图进行全口ABL量化.
- 整合深度学习以检测地标,并将曲线配合用于准确的ABL测量.
主要方法:
- 760张全景射线图 (PAN) 被牙医进行了注释.
- 三个深度学习网络 (TransPose,HRNet,YOLOv8) 被评估为里程碑式的本地化.
- 用多项式曲线拟合来导出ABL百分比,通过类内相关系数 (ICC) 评估一致性.
主要成果:
- TransPose显示了最高的地标定位精度 (最低的MRE,最高的SDR).
- YOLOv8显示了与手动ABL测量 (ICC 0.633大,0.771下) 最强的一致性.
- 自动化分析比手动注释 (14.2分钟/图像) 快得多 (12.3毫秒).
结论:
- 基于人工智能的方法可以从PAN中有效和客观地定量ABL.
- YOLOv8显示了对ABL测量的临床实用性,为标准化查提供了一个快速的替代方案.


