文摘目的:本研究旨在构建一种基于多阶段深度学习的三维牙槽骨吸收率自动量化评估模型,为牙周炎分期提供智能化指标。方法:收集来自牙周炎患者的100例锥形束CT(cone beam computed tomography, CBCT)影像资料,采用基于体积卷积神经网络(fully convolutional neural network for volumetric medical image segmentation, V-Net)与改进的3D医学图像分割Transformer网络(transformer-based encoder-decoder network for efficient and accurate 3D medical image, UNETR++)相结合的多任务分割策略,分别对牙齿、牙槽骨及釉牙骨质界(cemento-enamel junction, CEJ)进行高精度分割。通过膨胀操作与接触面积比值计算相结合,并辅以CEJ方向聚类,实现牙槽骨吸收率的三维自动化量化分析,根据2018年世界牙周病新分类对牙周炎进行初步分期。结果:模型对牙齿、牙槽骨和CEJ进行自动化分割,Dice相似系数(Dice similarity coefficient, DSC)分别达到95.7%、91.5%和87.9%,且在分割的平均表面距离(average surface distance, ASD)、豪斯多夫距离(Hausdorff distance, HD)和灵敏度(sensitivity, SEN)等方面表现出高精度与稳定性。模型实现了近远中、颊舌向等多维度的骨吸收分析,与牙周专科医师评估结果相比,本模型在牙周炎分期上的总体准确率为85%,并取得较高的一致性(Kappa=0.773)。模型对重度牙槽骨吸收(Ⅲ期或Ⅳ期)的识别准确(F1分数=1.00)。模型较人工评估显著提升效率(配对t检验,P<0.01)。结论:本方法可快速、准确地测量三维牙槽骨吸收率,为牙周炎精准分期和临床诊断提供重要参考。
