基于卷积神经网络实现锥形束CT牙齿分割及牙位标定
Tooth segmentation and identification on cone-beam computed tomography with convolutional neural network based on spatial embedding information作者机构:北京大学口腔医学院·口腔医院综合二科国家口腔医学中心国家口腔疾病临床医学研究中心口腔生物材料和数字诊疗装备国家工程研究中心北京100081 北京大学人民医院口腔科北京100044
出 版 物:《北京大学学报(医学版)》 (Journal of Peking University:Health Sciences)
年 卷 期:2024年第56卷第4期
页 面:735-740页
核心收录:
摘 要:目的:利用卷积神经网络实现基于锥形束CT(cone-beam computed tomography,CBCT)体素数据的牙齿实例分割和牙位标定。方法:本文所提出的牙齿算法包含三个不同的卷积神经网络,网络架构以Resnet为基础模块,首先对CBCT图像进行降采样,然后确定一个包含CBCT图像中所有牙齿的感兴趣区域(region of interest,ROI)。通过训练模型,ROI利用一个双分支“编码器-解码器结构网络,预测输入数据中每个体素所对应的相关空间位置信息,进行聚类后实现牙齿的实例分割。牙位标定则通过另一个多类别分割任务设计的U-Net模型实现。随后,在原始空间分辨率下,训练了一个用于精细分割的U-Net网络,得到牙齿的高分辨率分割结果。本实验收集了59例带有简单冠修复体及种植体的CBCT数据进行人工标注作为数据库,对牙齿算法的预测结果使用实例Dice相似系数(instance Dice similarity coefficient,IDSC)用来评估牙齿分割结果,使用平均Dice相似系数(the average Dice similarity coefficient,ADSC)评估牙齿分割及牙位标定的共同结果并进行评定。结果:量化指标显示,IDSC为89.35%,ADSC为84.74%。剔除了带有修复体伪影的数据后生成了有43例样本的数据库,训练网络得到了更优良的性能,IDSC为90.34%,ADSC为87.88%。将得到的结果进行可视化分析,牙齿算法不仅可以清晰地分割出CBCT中牙齿的形态,而且可以对牙齿的分类进行准确的编号。结论:该牙齿算法不仅可以成功实现三维图像的牙齿及修复体分割,还可以准确标定所有恒牙的牙位,具有临床实用性。