基于深度学习的技术,用于分割CBCT图像中具有放射透明性的颌骨病变部位
《Oral Surgery, Oral Medicine, Oral Pathology and Oral Radiology》:Deep learning for segmenting lesions with radiopacities of the jaws in CBCT volumes
【字体:
大
中
小
】
时间:2026年10月18日
来源:Oral Surgery, Oral Medicine, Oral Pathology and Oral Radiology 2.0
编辑推荐:
摘要研究目的本研究旨在进一步训练和评估一个最初为识别透射线性病变而开发的深度学习(DL)模型,在分割含有不透射线性的颌骨病变时的性能。方法我们从北卡罗来纳大学亚当斯牙科学院和北京大学口腔医学院回顾性地收集了218个CBCT数据集。这些数据集中要么没有病变,要么至少包含一个混合性或
摘要
研究目的
本研究旨在进一步训练和评估一个最初为识别透射线性病变而开发的深度学习(DL)模型,在分割含有不透射线性的颌骨病变时的性能。
方法
我们从北卡罗来纳大学亚当斯牙科学院和北京大学口腔医学院回顾性地收集了218个CBCT数据集。这些数据集中要么没有病变,要么至少包含一个混合性或不透射线性的病变。病变的诊断通过组织病理学或放射学检查结果进行确认。使用ITK-SNAP 4.2对病变进行了手动标注。数据集被划分为训练集和验证集,分别包含140个数据集(100个阳性样本,40个阴性样本)以及测试集,包含78个数据集(40个阳性样本,38个阴性样本)。先前开发的用于识别透射线性病变的DL模型在混合性和不透射线性病变上进行了进一步训练,并在测试集上进行了评估。评估了包括敏感性、特异性、阳性预测值(PPV)、阴性预测值(NPV)、平均精度(mAP)和F1分数在内的性能指标,分别按数据集和病变类型进行统计。
结果
当交并比(IoU)阈值设为0.1时,模型在数据集层面的灵敏度、特异性、PPV和NPV分别为0.7、0.737和0.737;在病变类型层面的灵敏度、PPV和F1分数分别为0.578、0.4和0.469。
结论
该DL模型在分割位置正确的含有不透射线性的病变方面表现出中等性能,在识别病变形状和范围方面准确度较低至一般。
引言
“人工智能”(AI)这一术语起源于20世纪50年代,指的是开发出能够执行传统上与人类智能相关任务的机器。作为人工智能的一个主要子领域,机器学习利用算法来识别数据中的统计模式和结构,从而能够对以前未见过的信息进行预测。其中一类重要的ML模型是“卷积神经网络”(CNN),它们在处理图像和自然语言等复杂数据时表现出优于传统算法的性能。当神经网络具有多层结构时,被称为“深度学习”架构。在拥有足够的数据和计算资源的情况下,这些模型可以通过连续的卷积层有效地提取越来越抽象的特征,最终支持复杂的模式识别和分类任务。
锥形束计算机断层扫描(CBCT)能够提供颌面区域的三维可视化,并比传统的二维成像提供更详细的解剖学信息,以便于病变评估。然而,对于许多临床医生来说,准确解读CBCT数据仍然是一个诊断挑战,这主要是由于训练因素的差异、时间限制以及临床需求的多样性。人工智能,特别是深度学习,有潜力协助自动化病变检测,并可能最终提供决策支持工具,以改善诊断决策并促进及时和适当的 patient 管理。最近的研究显示了DL在CBCT数据中分割透射线性病变的潜力。Yeshua等人使用2D Mask R-CNN并进行3D重建,实现了对低密度良性骨病变的自动化3D分割,其模型的灵敏度、精确度和平均Dice系数分别为0.959、0.989和0.835。Huang等人开发了一种DL算法,用于使用来自多种机构和扫描仪模型的CBCT数据自动分割透射线性颌骨病变,其模型的调整后灵敏度、特异性、阳性预测值和阴性预测值分别为0.975、0.825、0.848和0.971。然而,尽管这些病变在外观和与正常解剖结构的重叠影像特征上存在变异性,但针对CBCT中不透射线性和混合性病变的自动化分割的研究相对较少。基于CBCT的方法在某些特定检测任务中展示了令人鼓舞的性能。不过,涉及更多异质性牙科发现的广泛CBCT分类研究揭示了深度学习的潜力,同时也指出了随着病变复杂性和变异性的增加所带来的挑战。Liu等人基于nnU-Net开发了一个深度学习模型,用于分类和3D分割CBCT数据中的五种颌骨病变,包括:成釉细胞瘤、牙源性角囊肿、牙源性囊肿、根尖囊肿和骨髓炎。他们评估了该模型在有无AI辅助情况下的分类能力,结果显示模型表现出高灵敏度、特异性、精确度和准确度,分别为0.871、0.974、0.874和0.891,优于参与研究的口腔和颌面放射科医生及外科医生的表现。骨髓炎是一种混合密度的病变,其Dice相似系数(DSC)最低,他们将其归因于边界不明确。Ari等人使用基于Mask R-CNN架构和ResNet101主干网络的模型独立地对300张CBCT图像中的15种牙科状况进行了分割和分类,测试内容包括龋齿、修复填充材料、根管填充材料、种植体支持冠、 Locator、阻生牙、多余牙根、骨硬化区、根尖病变、透射线性颌骨病变、不透射线性颌骨病变以及混合外观的颌骨病变。不同类别的性能差异较大,F1分数从种植体的完美1.0到不透射线性病变的0.97不等,再到混合外观的颌骨病变的0.8不等。骨硬化和其他不透射线性病变偶尔会被误分类,残余牙根和下颌皮质的部分区域被错误地识别为骨硬化区。
现有的基于CBCT的研究仍较为有限,主要集中在定义明确的实体或特定类型的病变上,例如mesiodens。涉及更广泛颌骨病变群体的研究通常仅包括有限数量的不透射线性/混合性病变类型,并未具体考察这些病变的全部谱系。此外,大多数研究使用的是来自单一机构的数据集,这可能限制了成像协议、患者群体以及训练和评估数据中代表的疾病表现的多样性,从而影响了结果的可推广性。
鉴于当前文献中的这些局限性和空白,本研究旨在初步探索开发更全面的CBCT病变检测模型。本研究旨在通过进一步训练Huang等人最初为透射线性病变开发的DL模型,将其自动化检测能力扩展到不透射线性和混合密度的颌骨病变。本研究探索了将自动化病变分割扩展到更广泛临床相关颌骨病变的潜力,并为未来的研究(包括临床观察者研究)奠定基础。
章节片段
方法
Huang等人先前开发的模型4使用新收集的不透射线性和混合密度颌骨病变数据集进行了进一步训练和评估。该深度学习模型基于3D U-Net架构,并结合了预训练的ResNet18编码器,以增强从体积CBCT数据中提取特征的能力。
研究分两个阶段进行:(1)仅使用含有不透射线性病变的病例对现有模型进行进一步训练和验证;(2)独立验证
结果
在三个指定的IoU阈值0.1、0.3和0.5下,计算了性能指标,包括数据集层面(针对每个测试CBCT数据集计算并取平均值)和病变层面。
仅使用最低IoU阈值会低估PPV,因为一些预测同时被计为假阴性和假阳性。为了解决这个问题,手动计算了数据集层面的调整后指标,确保每个数据集只被计数一次:
讨论
本研究展示了先前为透射线性病变开发的DL模型在扩展训练后识别CBCT数据中不透射线性病变的潜力。尽管应用了更严格的IoU阈值,模型的mAP表现相对稳定,而灵敏度、PPV和F1分数有所下降。这种模式表明,虽然该模型能够识别病变区域
结论
当前研究中的深度学习模型在识别正确解剖位置的不透射线性和混合密度病变方面表现出中等准确度,而在描绘病变形状和范围方面的性能从较低到一般。这项研究是对将自动化病变分割扩展到更广泛临床相关颌骨病变的初步探索,并可能为进一步开发更全面的基于CBCT的病变检测模型奠定基础。
作者贡献
Donald A Tyndall – 构思、方法论、监督、写作 – 审稿与编辑
Yiing-Shiuan Huang – 方法论、项目管理、监督、调查、写作 – 审稿与编辑
Sarah Tageldin – 调查、数据管理、正式分析、写作 – 初稿
披露
会议展示:该研究的海报展示在2025年10月15日的第76届美国口腔和颌面放射学会年会上。
资助
本研究未获得公共、商业或非营利部门任何特定的资助。
CRediT作者贡献声明
Sarah A Tageldin: 初稿写作、调查、正式分析、数据管理。Yiing-Shiuan Huang: 审稿与编辑、监督、项目管理、方法论、调查。Donald A. Tyndall: 审稿与编辑、监督、方法论、构思。
致谢
作者感谢北京大学口腔医学院提供用于本研究的CBCT数据。作者还感谢新加坡国立大学牙科学院口腔和颌面放射学系的高级讲师Li Zhen Lim博士对调查和标注工作的贡献。作者还感谢Denti.AI Technology Inc.(加利福尼亚州多伦多)的计算机科学工程师Artur Panchenko的支持。
Sarah A Tageldin|Yiing-Shiuan Huang|Donald A. Tyndall
北卡罗来纳大学亚当斯牙科学院诊断科学系,美国北卡罗来纳州教堂山
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号