基于TransUNet的CBCT颅颌面复合体与下颌骨自动分割模型的开发与验证

《BMC Oral Health》：Automatic segmentation of craniomaxillofacial complex and mandible in dental CBCT images using a TransUNet-based deep learning model

　　

摘要

背景

从锥形束计算机断层扫描（CBCT）中准确分割颅颌面结构对于数字化牙科至关重要，但传统的手工和半自动方法耗时且依赖操作者。本研究旨在开发并验证一种基于 TransUNet 的深度学习模型，用于颅颌面复合体和下颌骨的自动化、整体分割，两者均包含相关牙列。

方法

共纳入 211 例 CBCT 扫描。内部队列包括训练集（n?=?81）、验证集（n?=?20）和内部测试集（n?=?30），按扫描仪型号进行分层。使用独立的外部测试集（n?=?80）来评估开发环境之外的模型性能。TransUNet 被实现为主要分割模型，而 U-Net 和 SwinUNet 使用相同的开发数据和统一的训练方案作为比较模型进行训练。模型性能使用戴斯相似系数（DSC）、交并比（IoU）、精确率和召回率进行评估；内部额外评估了均方根（RMS）。记录了时间效率。内部比较使用配对 t 检验进行，而外部比较使用 Friedman 检验，随后进行带 Holm 校正的配对 Wilcoxon 符号秩检验。

结果

TransUNet 模型的算法平均推理时间为每次扫描 38.4?±?3.5 秒。在内部测试集中，对于两种解剖结构，TransUNet 在所有评估指标上与真值的一致性显著高于半自动分割（p?<?0.05），颅颌面复合体的平均 DSC 为 0.949?±?0.021，下颌骨为 0.970?±?0.014。在外部测试集中，TransUNet 在两种结构的所有指标上的数值均显著高于 U-Net 和 SwinUNet（所有 Holm 校正后的 p?<?0.001）。

结论

基于 TransUNet 的深度学习模型为分割包含相关牙列的颅颌面复合体和下颌骨提供了准确且省时高效的解决方案，适用于测试队列。