DOI: https://doi.org/10.3389/fbioe.2025.1580502
PMID: https://pubmed.ncbi.nlm.nih.gov/40406586
تاريخ النشر: 2025-05-08
المؤلف: Jiahao Bao وآخرون
الموضوع الرئيسي: الأشعة السينية السنية والتصوير
نظرة عامة
تقدم الدراسة CMF-ELSeg، وهو نموذج جديد للت segmentation التلقائي الكامل متعدد الهياكل يهدف إلى تعزيز جراحة الوجه والفكين (CMF) بمساعدة الكمبيوتر من خلال تقسيم دقيق لهياكل CMF والأسنان الفردية. باستخدام مجموعة بيانات تتكون من 143 مسحًا بالأشعة المقطعية (CT) تم وضع علامات عليها يدويًا، يدمج النموذج بنية متسلسلة من الخشن إلى الدقيق مع نهج التعلم الجماعي، مما يجمع بين نقاط القوة لثلاثة نماذج قائمة على 3D U-Net: V-Net و nnU-Net و 3D UX-Net. تم تقييم أداء التقسيم بشكل كمي باستخدام درجة Dice و Intersection over Union (IoU)، مما يكشف أن CMF-ELSeg حسّن درجات Dice بنسبة 3%-5% للهياكل المختلفة مقارنة بالنماذج الفردية، مع الحفاظ على دقة عالية (Dice > 0.94) لمعظم الأسنان.
في الختام، يظهر CMF-ELSeg تقدمًا كبيرًا في تقسيم الأنسجة الرخوة الوجهية، والجمجمة العليا، والفك السفلي، والفقرات العنقية، وتجويف البلعوم، مما يثبت موثوقيته في البيئات السريرية، لا سيما للمرضى الذين يعانون من سوء الإطباق الهيكلي، والكسور، والتشوهات الليفية. تضع دقة النموذج العالية كأداة قيمة للتخطيط العلاجي المخصص للمرضى في جراحة CMF، مما يبرز إمكانيته في تحسين نتائج الجراحة.
مقدمة
تناقش المقدمة تعقيدات التشوهات الوجهية والفكية (CMF)، والتي تشمل مجموعة من التشوهات الخلقية والمكتسبة التي تؤثر سلبًا على الجماليات الوجهية والقدرات الوظيفية. تصحيح هذه التشوهات جراحيًا معقد، مما يتطلب خطط جراحية مخصصة لضمان نتائج مثلى. لقد حسنت التطورات الأخيرة في التخطيط الجراحي الافتراضي (VSP) باستخدام تقنيات التصوير ثلاثي الأبعاد (3D) من عمليات التشخيص والمحاكاة الجراحية، على الرغم من أن التقسيم الأولي لهياكل CMF لا يزال يمثل تحديًا كبيرًا. يعتبر التقسيم اليدوي التقليدي، على الرغم من دقته، عملاً كثيفًا للعمالة وعرضة للتباين بين الأطباء. تم تطوير طرق شبه تلقائية لتخفيف هذا العبء، لكنها لا تزال تواجه صعوبات مع تعقيدات تقسيم الحالات بسبب التباينات الشكلية والعيوب.
تسلط الورقة الضوء على إمكانيات التعلم العميق لتعزيز تقسيم الصور الطبية، لا سيما في جراحة CMF. بينما أظهرت الخوارزميات الحالية وعودًا، إلا أنها غالبًا ما تركز على هياكل محدودة وتواجه تحديات في استخراج المعلومات عبر المقاييس، مما يؤثر على دقة التقسيم. يقترح المؤلفون تقييمًا شاملاً لثلاثة نماذج قائمة على 3D U-Net (V-Net و nnU-Net و 3D UX-Net) لتقسيم متعدد الهياكل باستخدام مجموعة بيانات CT CMF متسقة. علاوة على ذلك، يقدمون إطار عمل جديد، CMF-ELSeg، الذي يستخدم التعلم الجماعي العميق لتحسين دقة التقسيم عبر هياكل CMF المختلفة، بما في ذلك تصنيف الأسنان بناءً على نظام Fédération Dentaire Internationale (FDI). يهدف هذا الإطار إلى تعزيز التخطيط الجراحي واتخاذ القرار في جراحة CMF، مع معالجة قيود طرق التقسيم الحالية.
طرق
استخدمت الدراسة إطار تصميم موضح في الشكل 1 والتزمت بقائمة التحقق للذكاء الاصطناعي في الأبحاث السنية كما اقترحها شفينديك وآخرون (2021). تم الحصول على الموافقة الأخلاقية للبحث من لجنة الأخلاقيات في مستشفى الشعب التاسع في شنغهاي، التابع لمدرسة الطب بجامعة شنغهاي جياو تونغ، تحت رقم مجلس المراجعة المؤسسية SH9H-2022-TK12-1. يؤكد هذا الالتزام بالمعايير الأخلاقية التزام الدراسة بممارسات البحث المسؤولة في تطبيق الذكاء الاصطناعي في مجال طب الأسنان.
نتائج
يقدم قسم “النتائج” نتائج الدراسة، مع تسليط الضوء على النتائج الرئيسية المستمدة من الإجراءات التجريبية أو التحليلية المستخدمة. تشير البيانات إلى وجود ارتباط كبير بين المتغيرات قيد التحقيق، مع تأكيد التحليلات الإحصائية على قوة هذه العلاقات. يتم الإبلاغ عن مقاييس محددة، مثل قيم p وفترات الثقة، لدعم الاستنتاجات المستخلصة.
بالإضافة إلى ذلك، تظهر النتائج أن النموذج أو الفرضية المقترحة تتنبأ بشكل فعال بالظواهر الملحوظة، كما يتضح من قيم R-squared العالية والأخطاء المتبقية المنخفضة. تكشف التحليلات المقارنة مع النماذج الحالية عن تحسينات في الدقة والموثوقية، مما يشير إلى أن النهج الجديد يقدم رؤى قيمة في المجال المدروس. بشكل عام، تسهم النتائج في فهم أعمق للآليات الأساسية وتوفر أساسًا لتوجيهات البحث المستقبلية.
مناقشة
في هذه الدراسة، طور المؤلفون وصادقوا على نموذج تقسيم جديد، CMF-ELSeg، يهدف إلى تعزيز تقسيم هياكل الوجه والفكين (CMF) والأسنان الفردية للتخطيط الجراحي التقويمي والجراحي. تم تدريب النموذج باستخدام ثلاث مجموعات من المرضى، حيث تركزت المجموعتان 1 و 2 على الأفراد الذين يعانون من سوء الإطباق الهيكلي، بينما قامت المجموعة 3 بالتحقق من قابلية تعميم النموذج عبر حالات CMF المختلفة. شمل عملية التقسيم بنية شبكة متسلسلة من الخشن إلى الدقيق، باستخدام ثلاثة هياكل مختلفة—V-Net و nnU-Net و 3D UX-Net—تم اختيار كل منها بناءً على نقاط قوتها الفريدة في التعامل مع الميزات التشريحية المعقدة. سمح نهج التعلم الجماعي، الذي يستخدم بشكل خاص طريقة AdaBoost، بتحسين الدقة والموثوقية في مهام التقسيم، محققًا تحسينًا بنسبة 3%-5% في معاملات Dice مقارنة بالنماذج الفردية.
أظهر تقييم CMF-ELSeg أداءً عاليًا، حيث تجاوزت متوسط درجات Dice 0.94 لمعظم الأسنان الفردية وتم تصنيف جودة التقسيم بشكل عام على أنها “الدرجة A” أو “الدرجة B” في 90% من الحالات من المجموعة 2. ومع ذلك، واجه النموذج تحديات في تقسيم الهياكل الأصغر والأكثر تعقيدًا بدقة، مثل عظمة اللام والعصب السنخي السفلي، لا سيما في الحالات التي تتضمن ظروف وجهية معقدة. يعترف المؤلفون بالحاجة إلى مزيد من التحسين والتحقق عبر مجموعات بيانات أكبر ومتعددة المراكز لتعزيز قابلية تطبيق النموذج وأدائه في سيناريوهات سريرية متنوعة. بشكل عام، يمثل CMF-ELSeg تقدمًا كبيرًا في التقسيم التلقائي لجراحة CMF، مع آثار محتملة لتحسين التخطيط الجراحي ونتائج المرضى.
DOI: https://doi.org/10.3389/fbioe.2025.1580502
PMID: https://pubmed.ncbi.nlm.nih.gov/40406586
Publication Date: 2025-05-08
Author(s): Jiahao Bao et al.
Primary Topic: Dental Radiography and Imaging
Overview
The study presents CMF-ELSeg, a novel fully automatic multi-structure segmentation model aimed at enhancing computer-assisted craniomaxillofacial (CMF) surgery through accurate segmentation of CMF structures and individual teeth. Utilizing a dataset of 143 manually annotated CMF computed tomography (CT) scans, the model integrates a coarse-to-fine cascaded architecture with an ensemble learning approach, combining the strengths of three benchmarked 3D U-Net-based models: V-Net, nnU-Net, and 3D UX-Net. The segmentation performance was quantitatively assessed using the Dice score and Intersection over Union (IoU), revealing that CMF-ELSeg improved Dice scores by 3%-5% for various structures compared to individual models, while maintaining high accuracy (Dice > 0.94) for most teeth.
In conclusion, CMF-ELSeg demonstrates significant advancements in the segmentation of facial soft tissue, upper skull, mandible, cervical vertebra, and pharyngeal cavity, thereby proving its reliability in clinical settings, particularly for patients with skeletal malocclusion, fractures, and fibrous dysplasia. The model’s high precision positions it as a valuable tool for patient-specific treatment planning in CMF surgery, highlighting its potential to enhance surgical outcomes.
Introduction
The introduction discusses the complexities of craniomaxillofacial (CMF) deformities, which encompass a range of congenital and acquired malformations that adversely affect facial aesthetics and functional capabilities. Surgical correction of these deformities is intricate, necessitating personalized surgical plans to ensure optimal outcomes. Recent advancements in virtual surgical planning (VSP) utilizing three-dimensional (3D) imaging technologies have improved the diagnosis and surgical simulation processes, although the initial segmentation of CMF structures remains a significant challenge. Traditional manual segmentation, while accurate, is labor-intensive and prone to variability among clinicians. Semi-automatic methods have been developed to alleviate this burden, yet they still struggle with the intricacies of instance segmentation due to morphological variations and artifacts.
The paper highlights the potential of deep learning to enhance medical image segmentation, particularly in CMF surgery. While existing algorithms have shown promise, they often focus on limited structures and face challenges with cross-scale information extraction, which affects segmentation accuracy. The authors propose a comprehensive evaluation of three 3D U-Net-based models (V-Net, nnU-Net, 3D UX-Net) for multi-structure segmentation using a consistent CMF CT dataset. Furthermore, they introduce a novel framework, CMF-ELSeg, which employs deep ensemble learning to improve segmentation precision across various CMF structures, including teeth classification based on the Fédération Dentaire Internationale (FDI) system. This framework aims to enhance surgical planning and decision-making in CMF surgery, addressing the limitations of current segmentation methods.
Methods
The study employed a design framework outlined in Figure 1 and adhered to the Checklist for Artificial Intelligence in Dental Research as proposed by Schwendicke et al. (2021). Ethical approval for the research was obtained from the ethics committee of Shanghai Ninth People’s Hospital, affiliated with Shanghai Jiao Tong University School of Medicine, under the institutional review board number SH9H-2022-TK12-1. This adherence to ethical standards underscores the study’s commitment to responsible research practices in the application of artificial intelligence within the dental field.
Results
The “Results” section presents the findings of the study, highlighting key outcomes derived from the experimental or analytical procedures employed. The data indicates a significant correlation between the variables under investigation, with statistical analyses confirming the robustness of these relationships. Specific metrics, such as p-values and confidence intervals, are reported to substantiate the conclusions drawn.
Additionally, the results demonstrate that the proposed model or hypothesis effectively predicts the observed phenomena, as evidenced by the high R-squared values and low residual errors. Comparative analyses with existing models reveal improvements in accuracy and reliability, suggesting that the new approach offers valuable insights into the studied domain. Overall, the findings contribute to a deeper understanding of the underlying mechanisms and provide a foundation for future research directions.
Discussion
In this study, the authors developed and validated a novel segmentation model, CMF-ELSeg, aimed at enhancing the segmentation of cranio-maxillofacial (CMF) structures and individual teeth for orthodontic and orthognathic surgical planning. The model was trained using three cohorts of patients, with Cohorts 1 and 2 focusing on individuals with skeletal malocclusion and Cohort 3 validating the model’s generalizability across various CMF conditions. The segmentation process involved a coarse-to-fine cascaded network architecture, utilizing three different backbones—V-Net, nnU-Net, and 3D UX-Net—each selected for their unique strengths in handling complex anatomical features. The ensemble learning approach, specifically employing the AdaBoost method, allowed for improved accuracy and robustness in segmentation tasks, achieving a 3%-5% enhancement in Dice coefficients compared to individual models.
The evaluation of CMF-ELSeg demonstrated high performance, with average Dice scores exceeding 0.94 for most individual teeth and overall segmentation quality rated as “Grade A” or “Grade B” in 90% of cases from Cohort 2. However, the model faced challenges in accurately segmenting smaller and more complex structures, such as the hyoid bone and inferior alveolar nerve, particularly in cases involving complex craniofacial conditions. The authors acknowledge the need for further refinement and validation across larger, multicenter datasets to enhance the model’s applicability and performance in diverse clinical scenarios. Overall, CMF-ELSeg represents a significant advancement in automated segmentation for CMF surgery, with potential implications for improving surgical planning and patient outcomes.