深度学习在圆锥束计算机断层扫描成像中用于自动分离牙槽裂和估算骨移植体积的应用——一项多中心研究

《Oral Surgery, Oral Medicine, Oral Pathology and Oral Radiology》：Deep learning for automated alveolar cleft segmentation and bone graft volume estimation in cone-beam computed tomography imaging – a multicenter study

本研究旨在开发基于深度学习的诊断工具，自动分割单侧腭裂区域并估算骨移植体积。通过88例CBCT扫描数据（训练45例，验证10例，测试33例），采用3D U-Net模型结合数据增强技术，实现自动分割。结果显示，模型与人工分割的Dice系数达0.78，主观评价显示82%-94%的案例结果可接受，自动分割耗时仅7秒，较人工操作效率提升56-120倍。该工具为术前规划提供了高效、可重复的影像分析方案，具有临床应用价值。

　　这项研究介绍了一种基于深度学习的诊断工具，旨在通过锥形束计算机断层扫描（CBCT）图像准确分割单侧牙槽裂区域，并自动估算所需的骨移植体积。牙槽裂是先天性颅面畸形中最常见的问题之一，通常出现在唇裂和/或腭裂患者中。这些缺陷源于上颌和腭的发育异常，具有复杂的病因。牙槽裂不仅会影响患者的生理健康，还可能带来心理和社会层面的影响，因此需要多学科团队共同参与治疗。

在治疗过程中，当患者年龄在9至12岁之间时，通常会进行一种名为牙槽骨移植（ABG）的手术。该手术通过使用自体骨移植材料填充牙槽裂区域并闭合鼻口瘘，有助于犬齿和侧切牙的正常萌出，同时提供鼻唇部的支持并改善面部美学对称性。CBCT作为一种先进的影像技术，因其能够提供多平面重建图像，从而更准确地评估牙槽裂的厚度、高度以及相邻牙槽骨和牙齿的形态，相较于传统的二维影像方法具有明显优势。然而，当前CBCT图像的分割过程仍然依赖于人工定义裂区边界，这不仅耗时，还要求操作者具备较高的三维影像软件操作技能和丰富的解剖知识。

为了提高分割的效率和准确性，研究人员开发了一种深度学习工具，其主要目标是实现牙槽裂区域的自动分割，并估算所需的骨移植体积。研究团队采用了多中心合作的方式，收集了来自中国武汉大学和瑞典卡罗林斯卡医学院的88例CBCT影像，这些影像均来自计划接受牙槽骨移植的非综合征性单侧唇腭裂患者。所有数据被分为训练集（45例）、验证集（10例）和测试集（33例），以确保模型在不同数据来源中的泛化能力。通过这种方式，研究人员能够减少中心特异性偏差，提高模型在实际临床环境中的适用性。

在训练阶段，两名经验丰富的标注者使用ITK-SNAP软件对牙槽裂区域进行了手动分割，作为模型训练的“真实数据”。这两个标注者的分割结果的交集被用作模型训练的基准。通过计算Dice相似度系数（DSC），研究人员评估了标注者之间的共识程度，以及自动化分割与手动分割之间的匹配度。结果显示，两名标注者之间的DSC为0.66，而自动化分割与手动分割之间的DSC达到了0.78，表明该工具在分割精度上表现良好。此外，研究人员还记录了手动分割所需的时间，发现其平均耗时为14分钟和6.5分钟，而深度学习工具仅需7秒即可完成分割，显著提高了工作效率。

在验证阶段，研究人员使用了10例CBCT影像，分别由两名标注者手动分割，并与深度学习工具的自动分割结果进行对比。结果表明，自动化分割在82%至94%的案例中被三位观察者认为是可接受的，其中两位有超过10年临床经验的放射科医生和一位有6年经验的医生共同参与了评估。这些观察者之间的共识度也较高，达到了27例中的27例（即82%的案例）。这说明该工具在实际应用中具有较高的可靠性和一致性，能够满足临床需求。

在测试阶段，研究人员进一步评估了该工具的性能，使用了33例CBCT影像，并邀请三位口腔颌面放射科医生进行主观评估。结果显示，该工具在大多数情况下能够准确地分割牙槽裂区域，并估算所需的骨移植体积。与传统的人工分割相比，该工具在时间和准确性方面都表现出明显优势。例如，使用深度学习工具完成分割仅需7秒，而人工分割则需要14分钟或6.5分钟。这一效率的提升对于临床实践具有重要意义，尤其是在需要快速评估和规划治疗的场景中。

此外，研究人员还探讨了该工具在临床中的潜在应用价值。深度学习技术的引入可以显著减少医生在分割过程中的工作负担，同时提高诊断的一致性和准确性。在传统的牙槽裂评估中，由于医生的经验和主观判断存在差异，分割结果可能会有所不同，从而影响治疗方案的制定。而深度学习工具的使用可以减少这种人为因素的影响，使得分割结果更加标准化和可重复。这对于提高治疗的可预测性和优化手术方案具有重要意义。

该研究还指出了当前深度学习工具在牙槽裂分割应用中的一些挑战和局限性。首先，手动分割仍然是模型训练的基础，但其依赖于标注者的经验和判断，可能导致一定的偏差。其次，CBCT图像的质量可能受到多种因素的影响，例如对比度分辨率不足、信噪比低以及相邻解剖结构的辐射吸收相似性等，这些都可能对分割的准确性产生影响。此外，研究中使用的标注者和放射科医生虽然具备一定的专业背景，但他们的评估仍存在一定的主观性，因此需要更多的临床数据来进一步验证和优化该工具。

为了提高模型的泛化能力，研究人员采用了数据增强技术，包括旋转、水平翻转和强度调整等方法，以增加训练数据的多样性。这种方法有助于模型适应不同影像条件下的数据，提高其在实际应用中的稳定性。同时，研究人员还采用了一个基于3D U-Net架构的深度学习网络，该网络通过残差单元实现了更精确的分割效果。具体而言，首先使用一个网络对整个牙槽裂区域进行粗略分割，然后在该粗略分割的基础上，提取一个更精细的3D区域，并将其输入到第二个网络中进行最终的分割。这种分阶段的分割策略有助于提高分割的精度和效率。

在实际应用中，该工具不仅能够快速分割牙槽裂区域，还能估算所需的骨移植体积。这一功能对于牙槽骨移植手术的术前规划至关重要，因为它可以帮助医生更准确地评估患者的解剖结构，并制定相应的手术方案。此外，该工具的使用还可以减少医生在影像分析上的工作量，使得他们能够将更多时间投入到患者的其他治疗环节中，从而提高整体治疗效率。

尽管该工具在分割精度和效率方面表现出色，但研究人员也指出了其局限性。例如，当前的模型仍然依赖于手动标注的数据，这可能导致一定的偏差。此外，由于牙槽裂病例相对较少，训练和测试数据的样本量有限，这可能影响模型的泛化能力。因此，未来的研究需要进一步扩大数据集的规模，并提高数据的多样性，以确保模型在更广泛的临床场景中表现良好。

总的来说，这项研究为牙槽裂的自动分割和骨移植体积估算提供了一种新的解决方案。通过结合深度学习技术与临床数据，研究人员开发了一种高效的诊断工具，能够显著提高分割的准确性和效率。尽管目前仍存在一些挑战，但随着技术的不断进步和数据的持续积累，该工具有望在未来成为牙槽裂治疗的重要辅助手段。通过这一工具的应用，医生可以更准确地评估患者的解剖结构，优化手术方案，提高治疗效果，从而改善患者的生活质量。