目的:研究锥形束计算机断层扫描(cone beam computerized tomography,CBCT)影像中分割提取正常牙齿体积的精度。方法:选择10例正畸减数病例拔除的双尖牙24颗,采用排水法物理测量其体积(volume of water,Vw),其中7例(16颗牙齿)在减数前采...目的:研究锥形束计算机断层扫描(cone beam computerized tomography,CBCT)影像中分割提取正常牙齿体积的精度。方法:选择10例正畸减数病例拔除的双尖牙24颗,采用排水法物理测量其体积(volume of water,Vw),其中7例(16颗牙齿)在减数前采用i-CAT进行三维扫描,3例(8颗牙齿)使用CB MercuRay。使用Amira4.0软件在CBCT影像中分割提取减数双尖牙并测量其体积(volume in amira,Va)。所有的测量均由两名操作者测量两次。采用配对t检验对Vw与Va进行统计学分析,用Pearson相关分析及组内相关系数确定组内及组间的相关性。结果:样本总体平均Vw为(0.553±0.082)cm3,平均Va为(0.548±0.079)cm3[操作者1为(0.529±0.078)cm3,操作者2为(0.567±0.085)cm3],Va与Vw之间差异有统计意义(P<0.05),Va的测量在两个操作者之间差异也有统计学意义(P<0.05),组内与组间相关系数高。Amira软件中表面光滑处理的过程可以损失3%～12%的体积。结论:利用CBCT分割提取双尖牙根是可行的,但分割提取的体积与正常相比有小范围的差异(本研究为-4%～7%),表面处理功能中虽然能美化视觉效果,但有体积的丢失。展开更多
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
目的观察C型臂锥形束CT成像偏离正中心点对图像噪声及影像变形程度的影响。方法采用Siemens Axiom Artis Zee血管机,DynaCT成像模式,设置成像时间为20s。①标准水模实验:对CT标准质控水模进行成像,选择水模图像密度均匀且伪影少的20个层...目的观察C型臂锥形束CT成像偏离正中心点对图像噪声及影像变形程度的影响。方法采用Siemens Axiom Artis Zee血管机,DynaCT成像模式,设置成像时间为20s。①标准水模实验:对CT标准质控水模进行成像,选择水模图像密度均匀且伪影少的20个层面,分别测量前(A)、后(P)、左(L)、右(R)方向上正中心点和偏离正中心点2、4、6、8、10cm位置图像的X线衰减值及其标准差;以X线衰减值标准差为图像噪声,采用单因素方差分析法进行客观评价。②钢球模型实验:分别将直径为17.20mm钢球分别放于前后(A-P)、左右(L-R)及头足(H-F)方向正中心和偏离正中心2、4、6cm处进行成像;在Leonardo工作站上重建三维图像,测量每个钢球在A-P、L-R及H-F方向上的直径,计算在各方向上钢球影像的变形度。结果 C型臂锥形束CT成像中,在A、P、L、R各方向上,随偏离正中心点距离增大,噪声值逐渐减小(P均<0.05)。在A、P、L、R、H、F方向上,随着偏离正中心点距离增加,不同方向钢球直径变形度有所增加;H-F方向上偏离正中心点时,钢球H、F方向直径变形度相对较小(变形度绝对值均<0.2%);P方向上,以A-P方向偏离正中心点时,钢球直径变形度最小。结论 C型臂锥形束CT成像中,在偏离正中心点的各个方向的不同位置,图像噪声和影像变形程度均存在一定差异。展开更多
文摘目的:研究锥形束计算机断层扫描(cone beam computerized tomography,CBCT)影像中分割提取正常牙齿体积的精度。方法:选择10例正畸减数病例拔除的双尖牙24颗,采用排水法物理测量其体积(volume of water,Vw),其中7例(16颗牙齿)在减数前采用i-CAT进行三维扫描,3例(8颗牙齿)使用CB MercuRay。使用Amira4.0软件在CBCT影像中分割提取减数双尖牙并测量其体积(volume in amira,Va)。所有的测量均由两名操作者测量两次。采用配对t检验对Vw与Va进行统计学分析,用Pearson相关分析及组内相关系数确定组内及组间的相关性。结果:样本总体平均Vw为(0.553±0.082)cm3,平均Va为(0.548±0.079)cm3[操作者1为(0.529±0.078)cm3,操作者2为(0.567±0.085)cm3],Va与Vw之间差异有统计意义(P<0.05),Va的测量在两个操作者之间差异也有统计学意义(P<0.05),组内与组间相关系数高。Amira软件中表面光滑处理的过程可以损失3%～12%的体积。结论:利用CBCT分割提取双尖牙根是可行的,但分割提取的体积与正常相比有小范围的差异(本研究为-4%～7%),表面处理功能中虽然能美化视觉效果,但有体积的丢失。
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。
