《Journal of Dentistry》：Artificial Intelligence-Based CBCT Segmentation in the Presence of Metallic Artefacts for 3D Virtual Orofacial Patient Generation
编辑推荐：
AI评估锥形束CT图像分割生成三维虚拟患者的可行性，发现对牙齿和下颌骨分割误差较小（RMS 0.17-0.30mm），但氧化锆全瓷冠误差较大（RMS 0.66-0.95mm），证实技术可行性但需临床监督。
路易斯·爱德华多·马里尼奥-维埃拉（Luiz Eduardo Marinho-Vieira）| 罗查尔斯·卡瓦尔坎特·丰特内莱（Rocharles Cavalcante Fontenele）| 巴哈阿林·M·埃尔加尔巴（Bahaaeldeen M. Elgarba）| 萨米娅·穆齐尼奥·马查多（Samia Mouzinho Machado）| 斯泰因·范阿尔斯特（Stijn Van Aelst）| 马特乌斯·L·奥利维拉（Matheus L. Oliveira）| 蕾因希尔德·雅各布斯（Reinhilde Jacobs）
巴西圣保罗州皮拉西卡巴市坎皮纳斯大学（UNICAMP）皮拉西卡巴牙科学院口腔诊断系口腔放射科
摘要
目的
评估基于人工智能（AI）的锥形束计算机断层扫描（CBCT）图像分割技术在生成三维虚拟患者模型中的可行性，特别是在存在金属伪影的复杂情况下。
方法
在经过验证的人体头部模型下颌第二前磨牙上制作牙冠预备体，然后使用TRIOS扫描仪进行口内扫描。定制的氧化锆牙冠通过数字设计并加工成型。该模型在四种不同条件下使用两台CBCT设备进行扫描，以模拟不同的牙冠位置。CBCT数据集通过AI驱动的平台进行处理，实现下颌牙齿、下颌骨及氧化锆牙冠的自动分割。通过对比口内扫描结果、牙冠设计、未安装氧化锆牙冠的CBCT图像以及AI分割后的模型，采用均方根（RMS）和中位数表面偏差（MSD）对分割精度进行评估。
结果
在所有实验条件和CBCT设备中，基于AI的分割技术均表现出较高的准确性，完整的三维模型的RMS值在0.17-0.30毫米之间，MSD值接近零，表明空间错位非常小。下颌牙齿和下颌骨的分割精度最高（RMS：0.03–0.34毫米），而氧化锆牙冠的分割精度较低（RMS：0.66–0.95毫米），这可能是由于金属伪影的影响。
结论
即使在存在金属伪影的复杂情况下，基于AI的CBCT分割技术也能用于生成三维虚拟患者模型。氧化锆牙冠对下颌牙齿和下颌骨的分割精度影响较小，但对氧化锆牙冠的分割效果影响较大。专家的临床监督对于确保这些虚拟模型的可靠性和准确性仍然至关重要。
临床意义
基于AI的CBCT分割技术能够在存在氧化锆牙冠的情况下可靠地生成下颌骨和牙齿的三维模型。这为特定临床场景下的口内扫描提供了一种有前景的替代方案，前提是必须经过专家验证。章节摘要
引言
在锥形束计算机断层扫描（CBCT）中对牙颌面解剖结构和修复材料进行分割对于诊断、治疗计划制定以及虚拟患者模型的多模态配准至关重要。目前常用的手动和半自动分割方法虽然性能尚可，但它们高度依赖人工操作，并且容易受到标准化程度不足的影响。
材料与方法
本实验研究遵循当地生物伦理研究委员会的伦理标准（批准编号：NH019 2019-09-03），并符合《赫尔辛基宣言》[24]中规定的原则。图1展示了从模型制作到分析指标计算的所有步骤的工作流程示意图。
结果
包括下颌牙齿、下颌骨及氧化锆牙冠在内的完整三维模型的AI分割效果总体令人满意，其中在安装了氧化锆牙冠的下颌第二前磨牙周围的颜色编码偏差图中观察到了最明显的几何偏差（图6）。
AI分割得到的完整三维模型的RMS值较低，范围为0.17至0.30毫米，表明与参考模型的高度一致性，表明几何误差极小。
讨论
人工智能已广泛应用于诊断成像领域，尤其是在牙颌面区域的解剖结构分割中[[3], [4], [5], [6], [7], [8], [9], [10]]。然而，扫描区域内存在金属材料时常常会产生伪影，导致图像质量下降[16,17,26,27]，从而影响分割精度。尽管存在这些挑战，本研究仍显示出令人满意的分割性能。
结论
无论使用何种CBCT设备或牙冠位置，氧化锆牙冠的存在对基于AI的CBCT虚拟患者模型生成过程的影响甚微。最明显的影响体现在氧化锆牙冠本身的分割上，而下颌牙齿和下颌骨基本未受影响。这些结果表明，即使在存在金属伪影的情况下，基于AI的CBCT数据生成的三维牙冠模型也是可行的。
作者贡献声明
路易斯·爱德华多·马里尼奥-维埃拉（Luiz Eduardo Marinho-Vieira）：撰写初稿、可视化处理、软件开发、方法设计、数据分析、概念构建。罗查尔斯·卡瓦尔坎特·丰特内莱（Rocharles Cavalcante Fontenele）：审稿与编辑、监督工作、方法设计、数据分析、概念构建。巴哈阿林·M·埃尔加尔巴（Bahaaeldeen M. Elgarba）：审稿与编辑、软件开发、数据分析。萨米娅·穆齐尼奥·马查多（Samia Mouzinho Machado）：软件开发、方法设计。斯泰因·范阿尔斯特（Stijn Van Aelst）：软件开发、方法设计。马特乌斯·L·奥利维拉（Matheus L. Oliveira）：审稿工作
