基于深度学习框架的锥形束CT解剖结构自动分割技术研究及其在口腔医学中的应用

《Oral Radiology》：Deploying a novel deep learning framework for segmentation of specific anatomical structures on cone-beam CT

来自口腔颌面放射学领域的研究人员开发了一种基于nnUNetv2深度学习框架的自动分割算法，用于锥形束CT(CBCT)中鼻腔、上颌窦等关键解剖结构的精准分割。该模型在70例患者数据中展现出0.99的准确度，Dice系数最高达0.98，为口腔诊疗规划提供了智能化解决方案。

　　

这项突破性研究将深度学习技术引入锥形束计算机断层扫描(Cone-beam CT, CBCT)领域，开创性地采用nnUNetv2框架实现口腔关键解剖结构的自动化分割。研究团队收集了70例患者的CBCT影像数据，由两位颌面放射科专家使用专业标注软件对鼻腔、上颌窦等结构进行逐层标注，每例数据包含405张切片。

技术路线颇具匠心：原始DICOM数据经Nifti格式转换后，以7:63的比例划分测试集与训练集。模型训练采用动态学习率策略，初始值设为0.01并每epoch递减0.00001，经过1000次迭代优化。性能评估显示，模型对鼻腔、上颌窦等结构的识别准确率均达0.99，其中上颌窦分割的Dice系数高达0.98，展现卓越的轮廓一致性；而下颌管分割相对最具挑战性，Dice系数为0.73。

该技术的精妙之处在于其0.73-0.98的精准度范围，既揭示了不同解剖结构的特征差异，也证实了深度学习在医学影像解析中的巨大潜力。这项成果为口腔种植规划、正畸治疗等临床场景提供了智能化的解剖导航工具，标志着AI辅助诊疗在口腔医学领域迈出关键一步。