深度学习辅助CBCT分割在颌骨缺损三维打印与手术规划中提供媲美微CT的可靠体积评估

《Scientific Reports》：Deep learning-assisted CBCT segmentation provides reliable volumetric assessment of mandibular defects compared with micro-CT for 3D printing and surgical planning

语 本研究针对锥形束CT（CBCT）在骨缺损体积测量中精度验证不足的问题，通过对比微CT（Micro-CT）金标准，系统评估了体素尺寸（0.1 mm vs. 0.2 mm）、分割软件（ImageJ半自动与Avizo深度学习辅助工具）及缺损位置（前/后颌骨区）对测量准确性的影响。结果表明，CBCT体积测量与微CT无显著差异（p>0.05），但小体素尺寸（0.1 mm）可显著减少低估误差（p<0.05）。研究首次应用ResNet18编码的U-Net架构实现颌骨缺损多类分割，为数字化牙科精准建模与手术规划提供了高效、可靠的影像学方案。

　　

在数字化牙科与颌面外科领域，精准评估骨内病变的体积是决定治疗成败的关键一环。无论是制定手术方案、设计个性化植入体，还是通过三维（3D）打印技术制作解剖模型，都离不开对骨缺损范围的精确量化。锥形束计算机断层扫描（Cone Beam Computed Tomography, CBCT）因其高空间分辨率、低辐射剂量和快速成像的特点，已成为临床首选影像工具。然而，尽管CBCT在线性测量方面的准确性已得到广泛验证，其在体积测量中的可靠性仍存在争议，尤其是当数据用于高精度应用（如手术导板设计或3D模型 fabrication）时，微小的误差也可能被放大，影响临床效果。

目前的研究空白主要集中在影响CBCT体积精度的关键因素上：体素尺寸（Voxel Size）如何平衡分辨率与噪声？缺损在扫描视野（Field of View, FOV）中的位置是否会导致测量偏差？不同分割软件（如传统半自动工具与新兴人工智能算法）的结果是否一致？为解决这些问题，伊朗巴比伦医学科学大学的Mohsen Shalalvand团队在《Scientific Reports》上发表了一项创新研究，通过对比CBCT与金标准微CT（Micro-CT）的体积测量结果，系统评估了上述因素的作用，并首次将深度学习分割模型应用于颌骨缺损的CBCT图像分析。

研究方法概要

本研究以28个兔颌骨人工骨缺损为模型，采用CBCT（0.1 mm和0.2 mm体素）和微CT（20 μm横向/40 μm轴向体素）扫描。图像分别通过ImageJ（基于Otsu阈值法的半自动分割）和Avizo软件（基于ResNet18编码U-Net的深度学习分割）处理，以微CT结果为标准，通过配对t检验、重复测量方差分析（Repeated Measures ANOVA）、平均绝对误差（MAE）等统计方法评估准确性。

研究结果

体积测量一致性与体素尺寸的关键影响

CBCT体积测量与微CT金标准无统计学显著差异（p>0.05），但体素尺寸是决定性因素。0.2 mm体素组的体积显著低估（p<0.05），而0.1 mm体素组的测量值最接近微CT。

软件选择与缺损位置的非显著性作用

ImageJ（半自动）与Avizo（深度学习辅助）的测量结果无显著差异（p>0.05），表明深度学习模型可作为传统方法的可行替代。缺损位于颌骨前区或后区亦未对准确性产生显著影响（p=0.239）。

深度学习分割的高效性与局限性

Avizo中训练的ResNet18-U-Net模型实现了骨、背景与缺损的三类分割，显著提升工作效率，但边界模糊区域仍需人工修正。

结论与意义

本研究证实CBCT是颌骨缺损体积评估的可靠手段，其准确性高度依赖体素尺寸（0.1 mm优于0.2 mm），而软件选择（半自动vs.深度学习）和缺损位置对结果影响有限。创新性地引入ResNet18-U-Net架构，为CBCT图像分割提供了高效、精准的自动化工具，推动了数字化牙科工作流的优化。临床实践中，建议在手术规划和3D打印等高风险场景中优先采用小体素扫描协议，以最大化测量精度。未来研究需在活体模型及人类标本中进一步验证该结论，并探索软组织和 artifacts 对分割准确性的干扰机制。