使用混合深度学习框架对CBCT图像中的下颌牙源性囊肿和下颌管进行自动多分类分割

《Journal of Imaging Informatics in Medicine》：Automated Multi-class Segmentation of Mandibular Odontogenic Cysts and the Mandibular Canal on CBCT Images Using a Hybrid Deep Learning Framework

　　

摘要

下颌牙源性囊肿如果位于下颌管附近，可能会使手术计划变得复杂。因此，准确区分这两种结构在临床上非常重要。本研究介绍了一种基于深度学习的方法，用于在圆锥束计算机断层扫描（CBCT）图像中同时分割下颌牙源性囊肿和下颌管。该方法采用了一种混合深度学习架构，结合了ConvNeXt-Base编码器、扩张上下文块（Dilated Context Block）、基于U-Net的解码器以及深度监督机制。该框架在同一架构内同时分割下颌管和牙源性囊肿区域，促进了多尺度上下文特征的学习。我们使用包含103张患者图像的真实临床CBCT数据集，通过五折交叉验证实验评估了该方法的性能。我们使用了基于重叠的指标以及考虑边界的HD95和ASSD指标来评估分割性能。实验结果表明，模型的平均交并比（mIoU）达到76.28% ± 1.83%。排除背景类别后，宏观交并比（macro IoU）和宏观F1分数分别为64.46% ± 2.74%和77.00% ± 1.89%。同时，加权交并比（weighted IoU）和加权F1分数分别为78.71% ± 4.25%和87.63% ± 2.63%。在基于边界的评估中，下颌管的HD95值为2.44 ± 2.98 mm，ASSD值为0.45 ± 0.30 mm；牙源性囊肿的对应值分别为5.59 ± 3.65 mm和1.43 ± 0.88 mm。这些结果表明，下颌管的轮廓划分更为一致，而囊肿的分割仍然具有挑战性，尤其是在不规则和低对比度的边界处。所提出的框架允许在统一的多类别CBCT分析框架内同时客观地分割下颌牙源性囊肿和下颌管。通过为这两种结构提供可重复的划分，该方法可以作为未来定量分析病变与下颌管关系的技术基础。然而，在临床应用之前，还需要使用更大规模、多中心的体积CBCT数据集进行进一步验证。

下颌牙源性囊肿如果位于下颌管附近，可能会使手术计划变得复杂。因此，准确区分这两种结构在临床上非常重要。本研究介绍了一种基于深度学习的方法，用于在圆锥束计算机断层扫描（CBCT）图像中同时分割下颌牙源性囊肿和下颌管。该方法采用了一种混合深度学习架构，结合了ConvNeXt-Base编码器、扩张上下文块（Dilated Context Block）、基于U-Net的解码器以及深度监督机制。该框架在同一架构内同时分割下颌管和牙源性囊肿区域，促进了多尺度上下文特征的学习。我们使用包含103张患者图像的真实临床CBCT数据集，通过五折交叉验证实验评估了该方法的性能。我们使用了基于重叠的指标以及考虑边界的HD95和ASSD指标来评估分割性能。实验结果表明，模型的平均交并比（mIoU）达到76.28% ± 1.83%。排除背景类别后，宏观交并比（macro IoU）和宏观F1分数分别为64.46% ± 2.74%和77.00% ± 1.89%。同时，加权交并比（weighted IoU）和加权F1分数分别为78.71% ± 4.25%和87.63% ± 2.63%。在基于边界的评估中，下颌管的HD95值为2.44 ± 2.98 mm，ASSD值为0.45 ± 0.30 mm；牙源性囊肿的相应值分别为5.59 ± 3.65 mm和1.43 ± 0.88 mm。这些结果表明，下颌管的轮廓划分更为一致，而囊肿的分割仍然具有挑战性，尤其是在不规则和低对比度的边界处。所提出的框架允许在统一的多类别CBCT分析框架内同时客观地分割下颌牙源性囊肿和下颌管。通过为这两种结构提供可重复的划分，该方法可以作为未来定量分析病变与下颌管关系的技术基础。然而，在临床应用之前，还需要使用更大规模、多中心的体积CBCT数据集进行进一步验证。