利用微CT参考数据和边缘损失函数实现牙科CBCT图像的深度学习超分辨率处理

《Journal of Dentistry》：Deep learning super-resolution for dental CBCT using micro-CT reference and edge loss function

根管系统CBCT图像通过微CT引导的深度学习超分辨率技术显著提升，实验验证了ESRGAN和HAT模型结合边缘损失函数在PSNR、SSIM指标及三维重建中的优越性。

　　本文探讨了如何利用深度学习技术提升锥形束计算机断层扫描（CBCT）图像的分辨率，以更好地用于牙髓病学中的诊断。CBCT在牙科实践中被广泛应用，但由于其空间分辨率有限，难以清晰显示细微的根管结构。相比之下，微计算机断层扫描（micro-CT）虽然具有更高的分辨率，但其扫描时间长、辐射剂量高，无法在临床环境中使用。因此，研究者尝试通过深度学习的超分辨率方法，结合micro-CT作为参考，来改善CBCT图像的诊断能力。

研究中引入了两种深度学习模型，即增强型超分辨率生成对抗网络（ESRGAN）和混合注意力变换器（HAT）。为了提升结构细节的清晰度，还设计了一种结合高斯滤波和中值滤波与索贝尔边缘检测的边缘损失函数。通过将CBCT与micro-CT图像处理成匹配的数据集，研究者评估了这些模型的性能，采用峰值信噪比（PSNR）、结构相似性指数（SSIM）、专家主观评分以及三维重建等方法进行分析。

实验结果显示，ESRGAN_edge和HAT_edge模型在PSNR和SSIM指标上显著优于传统的双三次插值方法和不使用边缘损失函数的模型。主观评分表明，这两个模型在视觉质量上接近micro-CT的标准。三维重建进一步验证了这些模型在根管系统结构上的准确性，其中ESRGAN_edge模型在与micro-CT的重叠区域上表现最佳。尽管临床CBCT测试表明这些模型能提高根管的清晰度，但在牙冠区域仍存在一些伪影，需要进一步优化。

本研究强调了边缘损失函数在提升CBCT图像质量中的关键作用。传统的损失函数往往无法有效区分真正的边缘信息与扫描过程中产生的噪声和伪影，而新的边缘损失函数通过结合去噪处理和边缘检测，能够更精确地指导模型学习有意义的边缘特征，从而提升图像的结构细节。这种边缘感知的超分辨率方法在牙科影像领域展现出广阔的应用前景。

此外，研究还探讨了CBCT图像的临床验证问题。尽管模型在实验室环境下表现良好，但在实际临床应用中，由于软组织和周围骨骼的影响，CBCT图像可能会产生额外的伪影。研究者指出，通过改进模型架构和增加数据集的多样性，可以进一步提升模型对细微结构的识别能力。同时，他们也提到，未来的应用应考虑使用更多的临床CBCT数据，并结合分割引导的训练和伪影感知的约束，以确保模型在实际环境中的有效性。

本研究的成果为牙科影像诊断提供了新的思路。通过深度学习的超分辨率方法，CBCT图像的质量和分辨率得到了显著提升，使其在诊断复杂牙髓病和根管形态时更具实用性。然而，该方法仍需进一步优化，特别是在处理牙冠区域伪影和提升对细微结构的识别能力方面。这些改进将有助于实现更精准的牙科诊断，并推动CBCT在临床中的更广泛应用。