DOI: https://doi.org/10.1111/clr.14338
PMID: https://pubmed.ncbi.nlm.nih.gov/39101603
تاريخ النشر: 2024-08-05
المؤلف: Bahaaeldeen M. Elgarba وآخرون
الموضوع الرئيسي: الأشعة السينية السنية والتصوير
نظرة عامة
هدفت الدراسة إلى تقييم دقة وكفاءة الوقت والاتساق لأداة جديدة مدفوعة بالذكاء الاصطناعي (AI) للتسجيل التلقائي للتصوير المقطعي المحوسب باستخدام شعاع مخروطي (CBCT) والمسحات داخل الفم (IOS) مقارنة بالطرق اليدوية (MR) وشبه الآلية (SR). تم استخدام مجموعة بيانات تتكون من 31 مسح IOS وCBCT للتحقق، مع إجراء تحليلات نوعية وكمية لتقييم أداء التسجيل. تم تسجيل الوقت المستغرق لكل طريقة تسجيل، وتم تحليل المطابقة التشريحية نوعيًا، بينما تم قياس انحراف السطح الوسيط (MSD) والفروق الجذرية المتوسطة التربيعية (RMS) كميًا.
أشارت النتائج إلى أن طريقة التسجيل التلقائي (AR) كانت أكثر كفاءة في الوقت بشكل ملحوظ، بمتوسط 51.4 ± 17.2 ثانية، مقارنة بـ MR (840 ± 168.9 ثانية) وSR (274.7 ± 100.7 ثانية). حققت كل من AR وSR درجات نوعية أعلى لتسجيل IOS-CBCT مقارنة بـ MR (p = .001). كميًا، تفوقت AR على SR مع انخفاض MSD (0.04 ± 0.07 مم) وRMS (0.19 ± 0.31 مم)، بينما أظهرت MR اختلافات أعلى (MSD = 0.13 ± 0.20 مم؛ RMS = 0.32 ± 0.14 مم) بالنسبة لكل من AR وSR. تشير النتائج إلى أن طريقة التسجيل المدفوعة بالذكاء الاصطناعي هي بديل موثوق وفعال للتخطيط لزراعة الأسنان قبل الجراحة، مما يدمج بشكل فعال بيانات الأنسجة الرخوة والصلبة.
الطرق
تم إجراء تسجيل المسح داخل الفم (IOS) وصور التصوير المقطعي المحوسب باستخدام شعاع مخروطي (CBCT) باستخدام ثلاث منهجيات متميزة: التسجيل اليدوي (MR)، التسجيل شبه الآلي (SR)، والتسجيل الآلي المدفوع بالذكاء الاصطناعي (AR). استخدمت كل طريقة ملفات التصوير الرقمي والتواصل في الطب (DICOM) من مسحات CBCT وملفات لغة التثليث القياسية (STL) من بيانات IOS.
في نهج MR، الذي تم تنفيذه باستخدام برنامج Mimics، تم اختيار منطقة الاهتمام يدويًا، مع التركيز على الأسنان، وتم تحسين التقسيم من خلال التعديلات اليدوية على العتبات وتحرير الفوكسل. تم تحويل القناع الناتج إلى تنسيق STL للتوافق مع نموذج IOS. تضمنت طريقة SR، باستخدام برنامج DTX studio لزراعة الأسنان، تعديلات تقسيم شبه آلية ومحاذاة من خلال خوارزمية النقاط الأقرب التكرارية (ICP)، مما يتطلب اختيار نقاط متطابقة على الأسطح السنية. استندت طريقة AR إلى منصة ذكاء اصطناعي قائمة على السحابة تستخدم الشبكات العصبية العميقة 3D U-net للتقسيم والتسجيل التلقائي، مما يحسن المحاذاة من خلال نهج ICP دون تدخل بشري. أظهرت هذه الطريقة تقليلاً كبيرًا في خطأ المحاذاة من خلال تحسين تكراري للتوافقات بين نماذج IOS وCBCT. تم تقديم حالة توضيحية لنماذج مسجلة تعتمد على الذكاء الاصطناعي في الشكل المرافق.
المناقشة
تسلط قسم المناقشة في ورقة البحث الضوء على التقدم في التخطيط الرقمي لزراعة الأسنان، خاصة من خلال دمج الذكاء الاصطناعي (AI) في تسجيل الصور ثلاثية الأبعاد متعددة الأنماط. قامت الدراسة بالتحقق من أداة جديدة قائمة على السحابة للذكاء الاصطناعي لتسجيل المسحات داخل الفم (IOS) وصور التصوير المقطعي المحوسب باستخدام شعاع مخروطي (CBCT)، مما يظهر أن هذا النهج المدفوع بالذكاء الاصطناعي (AR) تفوق بشكل كبير على التسجيل اليدوي (MR) والتسجيل شبه الآلي (SR) من حيث كفاءة الوقت والدقة والاتساق. على وجه التحديد، حققت AR متوسط وقت تسجيل قدره 51.4 ثانية، وهو أسرع بـ 16 مرة من MR، بينما حققت كل من AR وSR تكرارات أعلى للتسجيل المثالي مقارنة بـ MR.
أشارت النتائج إلى أنه على الرغم من عدم وجود اختلافات كبيرة في الدقة بين AR وSR، إلا أن كلا الطريقتين أظهرتا أداءً متفوقًا على MR. قللت قدرة أداة الذكاء الاصطناعي على أتمتة عملية التسجيل دون تدخل يدوي من اعتماد المشغل والتباين، وهما من التحديات الشائعة في الطرق التقليدية. تؤكد الدراسة على القابلية السريرية للذكاء الاصطناعي في تعزيز دقة سير عمل التخطيط للزراعة، خاصة في الحالات المعقدة التي تشمل المناطق الخالية من الأسنان، حيث غالبًا ما تواجه الطرق التقليدية صعوبات. يُوصى بإجراء أبحاث مستقبلية لتقييم فعالية أداة الذكاء الاصطناعي عبر أجهزة تصوير مختلفة وفي سيناريوهات ذات تعبير عالٍ عن العيوب، مما يوسع من فائدتها السريرية.
DOI: https://doi.org/10.1111/clr.14338
PMID: https://pubmed.ncbi.nlm.nih.gov/39101603
Publication Date: 2024-08-05
Author(s): Bahaaeldeen M. Elgarba et al.
Primary Topic: Dental Radiography and Imaging
Overview
The study aimed to evaluate the accuracy, time efficiency, and consistency of a novel artificial intelligence (AI)-driven automated tool for registering cone-beam computed tomography (CBCT) and intraoral scans (IOS) against manual (MR) and semi-automated (SR) methods. A dataset comprising 31 IOS and CBCT scans was utilized for validation, with qualitative and quantitative analyses performed to assess registration performance. The time taken for each registration method was recorded, and anatomical correspondence was qualitatively analyzed, while median surface deviation (MSD) and root mean square (RMS) differences were quantitatively measured.
Results indicated that the automated registration (AR) method was significantly more time-efficient, averaging 51.4 ± 17.2 seconds, compared to MR (840 ± 168.9 seconds) and SR (274.7 ± 100.7 seconds). Both AR and SR achieved higher qualitative scores for IOS-CBCT registration compared to MR (p = .001). Quantitatively, AR outperformed SR with lower MSD (0.04 ± 0.07 mm) and RMS (0.19 ± 0.31 mm), while MR showed higher discrepancies (MSD = 0.13 ± 0.20 mm; RMS = 0.32 ± 0.14 mm) relative to both AR and SR. The findings suggest that the AI-driven registration method is a reliable and efficient alternative for presurgical implant planning, effectively integrating both soft and hard tissue data.
Methods
The registration of intraoral scanning (IOS) and cone beam computed tomography (CBCT) images was performed using three distinct methodologies: Manual Registration (MR), Semi-Automatic Registration (SR), and AI-Automated Registration (AR). Each method utilized Digital Imaging and Communication in Medicine (DICOM) files from CBCT scans and Standard Tessellation Language (STL) files from IOS data.
In the MR approach, conducted with Mimics software, the region of interest was manually selected, focusing on teeth, and segmentation was refined through manual adjustments of thresholding and voxel editing. The resultant mask was converted to an STL format for alignment with the IOS model. The SR method, using DTX studio implant software, involved semi-automated segmentation adjustments and alignment through an iterative closest points (ICP) algorithm, requiring the selection of corresponding points on dental surfaces. The AR method leveraged a cloud-based AI platform employing deep learning 3D U-networks for automated segmentation and registration, refining the alignment through an ICP approach without human intervention. This method demonstrated a significant reduction in alignment error through iterative optimization of point correspondences between the IOS and CBCT models. An illustrative case of AI-based registered models is provided in the accompanying figure.
Discussion
The discussion section of the research paper highlights the advancements in digital dental implant planning, particularly through the integration of artificial intelligence (AI) in multimodal 3D image registration. The study validated a novel cloud-based AI tool for registering intraoral scans (IOS) and cone-beam computed tomography (CBCT) images, demonstrating that this AI-driven approach (AR) significantly outperformed manual registration (MR) and semi-automated registration (SR) in terms of time efficiency, accuracy, and consistency. Specifically, AR achieved a mean registration time of 51.4 seconds, which is 16 times faster than MR, while both AR and SR yielded higher frequencies of perfect registration compared to MR.
The findings indicated that while there were no significant differences in accuracy between AR and SR, both methods showed superior performance over MR. The AI tool’s ability to automate the registration process without manual intervention minimized operator dependency and variability, which are common challenges in conventional methods. The study emphasizes the clinical applicability of AI in enhancing the precision of implant planning workflows, particularly in complex cases involving edentulous regions, where traditional methods often struggle. Future research is recommended to further assess the AI tool’s effectiveness across different imaging devices and in scenarios with high artifact expression, thereby broadening its clinical utility.