《Journal of Dentistry》：A deep learning-based method for automatic registration of craniofacial CBCT and multi-planar temporomandibular joint MRI
编辑推荐：
摘要
目标
开发一个完全自动化的多阶段配准框架，用于颞下颌关节（TMJ）成像，以实现大视野锥形束计算机断层扫描（CBCT）与多平面小视野磁共振成像（MRI）之间的空间对齐。
方法
该框架
摘要
目标
开发一个完全自动化的多阶段配准框架，用于颞下颌关节（TMJ）成像，以实现大视野锥形束计算机断层扫描（CBCT）与多平面小视野磁共振成像（MRI）之间的空间对齐。
方法
该框架结合了基于特征的刚性初始配准和基于nnU-Net的掩模引导的精细配准。自动检测了四个解剖学特征点，包括最上方、最内侧和最外侧的点以及髁突点，以估计CBCT和MRI之间的初始刚性变换。随后使用髁突分割掩模来细化局部对齐。通过Dice相似系数、交并比、精确度和召回率对分割性能进行了定性和定量评估。特征点的定位精度通过特定于模态的特征点定位误差（LLE）与手动标注的特征点进行定量评估，而最终配准结果由具有TMJ成像经验的临床医生进行了定性审查。
结果
分割模型在自动识别髁突和关节盘方面表现出高性能。CBCT特征点的平均LLE为2.920 ± 1.460毫米，MRI特征点的平均LLE为3.520 ± 1.520毫米。临床医生的定性评估表明，在掩模引导的精细处理后，髁突和周围结构的局部解剖对齐得到了改善。
结论
所提出的多阶段框架通过结合基于特征的粗略对齐和基于分割掩模的精细配准，实现了CBCT与多平面TMJ MRI之间的自动化配准。
临床意义
该框架实现了CBCT生成的骨骼信息与MRI生成的软组织信息的自动化空间整合，有助于全面评估TMJ，同时减少了多模态图像对齐所需的人工工作量。
引言
颞下颌关节（TMJ）疾病是一组影响关节及其相关结构的异质性疾病[1]。TMJ诊断的复杂性主要源于其独特的解剖结构，其中软组织（如关节囊、韧带和关节盘）与硬组织（包括髁突和颞骨窝）紧密相互作用。任何影响其中一个组分的病理情况都可能影响整个关节[2]。因此，对TMJ疾病的全面评估需要同时观察硬组织和软组织结构。
目前，TMJ的临床成像主要依赖于磁共振成像（MRI）和锥形束计算机断层扫描（CBCT）。CBCT长期以来被视为评估TMJ骨骼结构的首选模式，能够提供三维（3D）图像，清晰显示髁突和窝的形态、大小、皮质密度和骨赘形成[3]。相比之下，MRI具有高软组织对比度，且无辐射暴露，并能清晰显示关节盘、关节液和滑膜组织，使其成为诊断内部TMJ疾病的金标准[4]。由于MRI和CBCT的互补优势，临床医生通常会根据患者的情况选择使用这两种模式。
在临床实践中，TMJ成像的视野（FOV）和采集几何形状由具体的诊断任务决定。遵循ALARA（尽可能低的辐射暴露）原则，建议使用小或中等视野的CBCT来聚焦骨骼结构，同时尽量减少辐射暴露。然而，当需要进行全面的颅面、正畸或正颌评估时，通常会使用大视野[5,6]。相反，TMJ MRI通常使用局部小视野序列，以优化软组织对比度，尽管不同成像中心的采集协议可能有所不同[5,6]。此外，虽然CBCT体积重建可以在采集后灵活地重新定向到任何所需平面，但TMJ MRI通常是以斜矢状和冠状方向与髁突长轴对齐的多层序列进行采集[5,6]。因此，单独查看这些图像会复杂化相同解剖平面的对齐以及软组织和硬组织结构的同步量化。为了整合信息并实现空间一致性以进行精确诊断，一些研究人员应用了MRI和CBCT图像配准[[7], [8], [9], [10], [11], [12], [13]]。医学图像配准是指将可能在不同时间或使用不同成像模式获取的两幅或多幅图像在空间上进行对齐，以便准确匹配相应的解剖结构[14]。这种配准允许在相同的参考框架内评估关节盘（来自MRI）和骨性髁突（来自CBCT），从而提高诊断效率和临床精度[8,10,11]。
CBCT–MRI配准是一项跨模态配准任务，由于两种模式的图像形成和采集几何形状存在显著差异而变得复杂。由于CBCT和MRI使用不同的成像系统进行采集，它们的图像在坐标原点、扫描位置、体素尺寸、层间距、图像方向和视野方面可能存在差异，导致原始图像体积之间存在空间差异[15,16]。这些差异可能会使识别相应的解剖结构以及建立两种模式之间的可靠空间对应关系变得复杂。
此外，现有的TMJ CBCT–MRI配准研究（无论是使用商业软件[8,10,11,17]、开源软件包[13]还是自定义算法[15,18]）通常只能将CBCT与单个MRI序列进行配准。配准往往需要先进行手动或半自动的粗略对齐或裁剪感兴趣区域，一些研究引入了面部辅助特征点以提高准确性[19,20]。
因此，开发一种稳定、可重复且解剖学上可靠的CBCT和TMJ MRI自动配准方法仍然是一个重要目标。基于这一背景，本研究旨在建立一种3D配准方法，该方法结合了基于下颌解剖特征的初始对齐和基于髁突分割掩模的精细配准，从而实现颅面CBCT与多平面TMJ MRI之间的自动化跨模态配准。
章节片段
数据集
本研究回顾性收集了2025年1月至10月期间在上海交通大学医学院附属第九人民医院口腔外科和正畸科就诊的患者的数据。本研究共纳入了448名患者，用于模型训练和性能评估等多项任务。
结果
完整的自动化配准工作流程，包括CBCT和MRI特征点定位、基于特征的刚性配准、MRI髁突掩模变换以及掩模引导的刚性精细处理，每个案例需要63.8–168.1秒，平均处理时间为123.7 ± 31.6秒，中位时间为120.0秒，使用的设备是配备单个NVIDIA GeForce RTX 5060 Ti GPU（8 GB）的工作站。
讨论
本研究提出了一种多阶段的TMJ成像自动配准框架，包括基于特征的粗略配准和基于nnU-Net的掩模引导的精细配准。该框架简化了传统大视野CBCT与小视野多平面MRI之间的自动空间对齐。
所提出的多阶段框架具有多个优点[15]。该过程首先使用解剖特征点进行粗略对齐，然后基于形态学特征进行精细化处理
结论
在本研究中，我们通过结合基于特征的初始配准和基于nnU-Net的掩模引导的精细处理，开发了一种多阶段的TMJ CBCT和多平面MRI配准框架。分割结果显示，无论是髁突还是关节盘，都具有良好的性能。基于特征的配准实现了较低的定位误差（通过LLE评估），而主观评估显示，在掩模引导的精细处理后，空间对齐得到了改善。
CRediT作者贡献声明
潘一辰： 编写——初稿、可视化、验证、方法论、调查、正式分析、数据管理。 杨璐琦： 编写——初稿、可视化、验证、软件、方法论、调查、正式分析。 崔志明： 编写——审阅与编辑、监督、项目管理、方法论、概念化。 汤世毅： 调查、数据管理。 袁立峰： 调查、数据管理。 柴志民： 调查、数据管理。 丁卫龙： 数据
致谢
本研究得到了国家口腔疾病临床研究中心（NCRCO202603）、上海交通大学医学院第九人民医院跨学科AI研究专项（项目编号JYJC2025005）和上海交通大学医学院第九人民医院跨学科研究基金项目（项目编号JYJC202404）的支持。
潘一辰|杨璐琦|崔志明|汤世毅|袁立峰|柴志民|丁卫龙|沈定刚|张志远|朱玲
