Search citation statements
Paper Sections
Citation Types
Year Published
Publication Types
Relationship
Authors
Journals
Bevezetés: A ’cone-beam’ (kúpsugaras) számítógépes tomográfiás (CBCT) felvételek szegmentációja során a síkbeli képekből álló adatokat három dimenzióban (3D) rekonstruáljuk. A szájsebészetben és a parodontológiában a digitális adatfeldolgozás lehetővé teszi a műtéti beavatkozások 3D tervezését. A leggyakrabban alkalmazott határérték-alapú szegmentáció gyors, de pontatlan, míg a félautomatikus módszerek megfelelő pontosságúak, de rendkívül időigényesek. Az utóbbi években a mesterséges intelligencián alapuló technológiák elterjedésével azonban mostanra lehetőség van a CBCT-felvételek automatikus szegmentációjára. Célkitűzés: A klinikai gyakorlatból vett CBCT-felvételeken betanított mélytanulási szegmentációs modell bemutatása és hatékonyságának vizsgálata. Módszer: A vizsgálat három fő fázisa volt: a tanuló adatbázis felállítása, a mélytanulási modell betanítása és ezen architektúra pontosságának tesztelése. A tanuló adatbázis felállításához 70, részlegesen fogatlan páciens CBCT-felvételeit alkalmaztuk. A SegResNet hálózati architektúrára épülő szegmentációs modellt a MONAI rendszer segítségével fejlesztettük ki. A mélytanulási modell pontosságának ellenőrzéséhez 15 CBCT-felvételt használtunk. Ezeket a felvételeket a mélytanulási modell segítségével, valamint félautomatikus szegmentációval is feldolgoztuk, és összehasonlítottuk a két szegmentáció eredményét. Eredmények: A mélytanulásos szegmentáció és a félautomatikus szegmentáció közötti hasonlóság a Jaccard-index szerint átlagosan 0,91 ± 0,02, a Dice hasonlósági együttható átlagos értéke 0,95 ± 0,01, míg a két modell közötti átlagos Hausdorff- (95%) távolság 0,67 mm ± 0,22 mm volt. A mélytanulásos architektúra által szegmentált és a félautomatikus szegmentációval létrehozott 3D modellek térfogata nem mutatott statisztikailag szignifikáns különbséget (p = 0,31). Megbeszélés: A vizsgálatunkban használt mélytanulási modell az irodalomban található mesterségesintelligencia-rendszerekhez hasonló pontossággal végezte el a CBCT-felvételek szegmentációját, és mivel a CBCT-felvételek a rutin klinikai gyakorlatból származtak, a mélytanulási modell relatíve nagy megbízhatósággal szegmentálta a parodontalis csonttopográfiát és az alveolaris gerincdefektusokat. Következtetés: A mélytanulási modell nagy pontossággal szegmentálta az alsó állcsontot dentális CBCT-felvételeken. Ezek alapján megállapítható, hogy a mélytanulásos szegmentációval előállított 3D modell alkalmas lehet rekonstruktív szájsebészeti és parodontalis sebészeti beavatkozások digitális tervezésére. Orv Hetil. 2024; 165(32): 1242–1251.
Bevezetés: A ’cone-beam’ (kúpsugaras) számítógépes tomográfiás (CBCT) felvételek szegmentációja során a síkbeli képekből álló adatokat három dimenzióban (3D) rekonstruáljuk. A szájsebészetben és a parodontológiában a digitális adatfeldolgozás lehetővé teszi a műtéti beavatkozások 3D tervezését. A leggyakrabban alkalmazott határérték-alapú szegmentáció gyors, de pontatlan, míg a félautomatikus módszerek megfelelő pontosságúak, de rendkívül időigényesek. Az utóbbi években a mesterséges intelligencián alapuló technológiák elterjedésével azonban mostanra lehetőség van a CBCT-felvételek automatikus szegmentációjára. Célkitűzés: A klinikai gyakorlatból vett CBCT-felvételeken betanított mélytanulási szegmentációs modell bemutatása és hatékonyságának vizsgálata. Módszer: A vizsgálat három fő fázisa volt: a tanuló adatbázis felállítása, a mélytanulási modell betanítása és ezen architektúra pontosságának tesztelése. A tanuló adatbázis felállításához 70, részlegesen fogatlan páciens CBCT-felvételeit alkalmaztuk. A SegResNet hálózati architektúrára épülő szegmentációs modellt a MONAI rendszer segítségével fejlesztettük ki. A mélytanulási modell pontosságának ellenőrzéséhez 15 CBCT-felvételt használtunk. Ezeket a felvételeket a mélytanulási modell segítségével, valamint félautomatikus szegmentációval is feldolgoztuk, és összehasonlítottuk a két szegmentáció eredményét. Eredmények: A mélytanulásos szegmentáció és a félautomatikus szegmentáció közötti hasonlóság a Jaccard-index szerint átlagosan 0,91 ± 0,02, a Dice hasonlósági együttható átlagos értéke 0,95 ± 0,01, míg a két modell közötti átlagos Hausdorff- (95%) távolság 0,67 mm ± 0,22 mm volt. A mélytanulásos architektúra által szegmentált és a félautomatikus szegmentációval létrehozott 3D modellek térfogata nem mutatott statisztikailag szignifikáns különbséget (p = 0,31). Megbeszélés: A vizsgálatunkban használt mélytanulási modell az irodalomban található mesterségesintelligencia-rendszerekhez hasonló pontossággal végezte el a CBCT-felvételek szegmentációját, és mivel a CBCT-felvételek a rutin klinikai gyakorlatból származtak, a mélytanulási modell relatíve nagy megbízhatósággal szegmentálta a parodontalis csonttopográfiát és az alveolaris gerincdefektusokat. Következtetés: A mélytanulási modell nagy pontossággal szegmentálta az alsó állcsontot dentális CBCT-felvételeken. Ezek alapján megállapítható, hogy a mélytanulásos szegmentációval előállított 3D modell alkalmas lehet rekonstruktív szájsebészeti és parodontalis sebészeti beavatkozások digitális tervezésére. Orv Hetil. 2024; 165(32): 1242–1251.
scite is a Brooklyn-based organization that helps researchers better discover and understand research articles through Smart Citations–citations that display the context of the citation and describe whether the article provides supporting or contrasting evidence. scite is used by students and researchers from around the world and is funded in part by the National Science Foundation and the National Institute on Drug Abuse of the National Institutes of Health.
customersupport@researchsolutions.com
10624 S. Eastern Ave., Ste. A-614
Henderson, NV 89052, USA
This site is protected by reCAPTCHA and the Google Privacy Policy and Terms of Service apply.
Copyright © 2024 scite LLC. All rights reserved.
Made with 💙 for researchers
Part of the Research Solutions Family.