目的探讨基于卷积神经网络算法的人工智能(AI)计算机辅助诊断系统在锥形束CT(CBCT)影像上识别慢性根尖周炎根尖区病变的应用。方法收集北京大学口腔医院第二门诊部2017年1月—2021年12月累及单牙根的慢性根尖周炎的CBCT影像,总计49例患...目的探讨基于卷积神经网络算法的人工智能(AI)计算机辅助诊断系统在锥形束CT(CBCT)影像上识别慢性根尖周炎根尖区病变的应用。方法收集北京大学口腔医院第二门诊部2017年1月—2021年12月累及单牙根的慢性根尖周炎的CBCT影像,总计49例患者55个牙位。由5位中级职称的临床医生通过Materialize MimicsMedical软件对慢性根尖周炎病变区域识别并进行手动逐层分割,然后通过AI 3D U-Net网络对病损特征进行深度学习,网络分割结果与手动分割数据的一致性,本研究通过交联比(IOU)、Dice系数、像素精确度(PA)在测试集上进行评价。结果神经网络在测试集的IOU为92.18%,Dice系数为95.93%,PA为99.27%。结论AI和临床医师的慢性根尖周炎病变检出和分割一致性较高,基于本研究深度学习方法的AI系统为下一步检测CBCT图像中的慢性根尖周炎奠定了基础。展开更多
文摘目的探讨基于卷积神经网络算法的人工智能(AI)计算机辅助诊断系统在锥形束CT(CBCT)影像上识别慢性根尖周炎根尖区病变的应用。方法收集北京大学口腔医院第二门诊部2017年1月—2021年12月累及单牙根的慢性根尖周炎的CBCT影像,总计49例患者55个牙位。由5位中级职称的临床医生通过Materialize MimicsMedical软件对慢性根尖周炎病变区域识别并进行手动逐层分割,然后通过AI 3D U-Net网络对病损特征进行深度学习,网络分割结果与手动分割数据的一致性,本研究通过交联比(IOU)、Dice系数、像素精确度(PA)在测试集上进行评价。结果神经网络在测试集的IOU为92.18%,Dice系数为95.93%,PA为99.27%。结论AI和临床医师的慢性根尖周炎病变检出和分割一致性较高,基于本研究深度学习方法的AI系统为下一步检测CBCT图像中的慢性根尖周炎奠定了基础。
文摘目的:主观评价和客观评估不同成像参数下CBCT的图像质量,分析图像质量的主观评价和客观评价间的关系。方法:分别采用6台不同品牌CBCT扫描仪〔3D Accuitomo(Morita)、i-CAT(Kavo)、5G(NewTom)、Smart3D(北京朗视)、DCT Pro(Vatech)、VGi(NewTom)〕,在各个品牌的典型曝光条件下(电压和电流强度不同)扫描空间分辨率模体和高仿真头模,7位医师对拍摄的CBCT图像进行主观评价打分,比较不同CBCT扫描仪的空间分辨率和对常见口腔解剖结构的可见性。客观评价指标采用各仪器所获的图像空间分辩率(LP/mm)。结果:7位医师的组内一致性和组间一致性均无显著性差异。主观评价New Tom 5G为2分,i-CAT为5分,其余4个品牌匀为4分,客观评价i-CAT的LP/mm为1.8,Smart3D为2.0,其余4个品牌为1.0~1.7。在相同管电流条件下,不同管电压的图像主观质量有显著性差异。在相同管电压条件下,不同管电流的图像主观质量有显著性差异。结论:图像质量的主客观评价具有一定的一致性,不同品牌之间的客观评价差异可能与电压、电流强度不同有关。
