基于nnU-Net v2的深度学习模型实现蝶窦及中颅底结构的CBCT自动分割

研究人员开发了基于nnU-Net v2的深度学习模型，用于锥形束CT(CBCT)中蝶窦及中颅底结构的自动分割。通过对99例CBCT扫描的标注数据训练，模型在蝶窦、圆孔和翼管的分割中表现优异（蝶窦Dice系数达0.96），为中颅底手术规划提供了精准的AI辅助工具。

　　

这项突破性研究利用新一代nnU-Net v2框架，成功打造了中颅底"地图绘制专家"。就像给CT扫描仪装上AI眼睛，系统能自动勾勒出蝶窦(sphenoid sinus)这个颅底"蝴蝶房"的立体轮廓，准确度高达96%（Dice系数0.96）。对于神经外科关键的导航标志——圆孔(foramen rotundum)和翼管(Vidian canal)，模型也展现出令人惊喜的识别能力。

科研团队采用1000轮特训（学习率0.01），让AI学习了99套锥形束CT(CBCT)的解剖"藏宝图"。通过95%豪斯多夫距离(95% HD)、交并比(IoU)等专业指标考核，证明这套系统比传统方法更能精准定位中颅底的"隧道"和"洞穴"。不过面对其他颅底孔道，AI还需要继续"补课"——这为下一代智能分割算法指明了进化方向。