DOI: https://doi.org/10.1007/s00784-024-06136-w
PMID: https://pubmed.ncbi.nlm.nih.gov/39804427
تاريخ النشر: 2025-01-13
المؤلف: Dániel Palkovics وآخرون
الموضوع الرئيسي: الأشعة السينية السنية والتصوير
نظرة عامة
تبحث هذه الدراسة في فعالية نموذج التعلم العميق (DL)، وبشكل خاص بنية SegResNet، لتقسيم صور الأشعة المقطعية باستخدام شعاع المخروط (CBCT) قبل وبعد تجديد العظام الموجه الأفقي (GBR). تم تدريب النموذج على 70 صورة CBCT وتم تقييمه باستخدام 10 أزواج من الصور قبل وبعد العملية. تضمنت مقاييس الأداء معامل تشابه دايس (DSC)، والتقاطع على الاتحاد (IoU)، والمسافة هاوسدورف (HD95)، ومقارنات الحجم، مع نتائج تشير إلى متوسط DSC قدره 0.96 ± 0.01 وIoU قدره 0.92 ± 0.02 لكلا نوعي الصور. كانت قيم HD95 هي 0.62 مم ± 0.16 مم للصور قبل العملية و0.77 مم ± 0.31 مم للصور بعد العملية، مما يدل على توافق قوي بين التقسيمات باستخدام DL والتقسيمات شبه الآلية (SA).
تشير النتائج إلى أن نموذج DL القائم على SegResNet ينتج بشكل فعال نماذج ثلاثية الأبعاد دقيقة للفك السفلي من صور CBCT، دون وجود اختلافات كبيرة في قياسات الحجم بين تقسيمات DL وSA. ومع ذلك، كانت دقة تقسيم الأنسجة الصلبة المعززة أقل نسبيًا، مما يشير إلى الحاجة إلى مجموعة بيانات تدريب أكبر لتعزيز قوة النموذج. تستنتج الدراسة أن تقسيم DL الآلي يمكن أن يساعد بشكل كبير في تخطيط العلاج لـ GBR وإجراءات الزرع اللاحقة، بينما يسهل أيضًا تقييم التغيرات في الأنسجة الصلبة. ستركز الأعمال المستقبلية على إعادة تدريب النموذج لتحسين موثوقيته وأدائه.
مقدمة
تسلط مقدمة هذه الورقة البحثية الضوء على التأثير التحويلي للتكنولوجيا الرقمية على الطب، وخاصة في طب الأسنان وجراحة الفم. لقد عززت التقدمات مثل التصوير الرقمي، والنمذجة ثلاثية الأبعاد، والتصنيع الإضافي، والذكاء الاصطناعي (AI) من كفاءة التشخيص والعلاج الشخصي، مما أدى إلى نتائج جراحية أكثر توقعًا وتقليل المضاعفات. يتم دمج تطبيقات الذكاء الاصطناعي في الرعاية الصحية، بما في ذلك التعلم الآلي وتحليل الصور، بشكل متزايد في الممارسات السريرية، مع أهمية خاصة لمعالجة الصور الشعاعية في طب الأسنان.
تناقش الورقة التحديات المتعلقة بالتقسيم التلقائي لصور الأشعة المقطعية باستخدام شعاع المخروط (CBCT)، والتي تعتبر حاسمة للتخطيط قبل العملية في مختلف جراحات الأسنان. تعاني طرق التقسيم التقليدية، مثل العتبة العالمية والتقنيات شبه الآلية، من قيود في الدقة والكفاءة. بالمقابل، أظهرت نماذج التعلم العميق (DL)، وخاصة تلك التي تستخدم الشبكات العصبية التلافيفية (CNN) مثل بنية 3D U-Net، نتائج واعدة في تحقيق دقة عالية لمهام التقسيم. يهدف المؤلفون إلى تقييم أداء نموذج DL القائم على SegResNet لتقسيم صور CBCT قبل وبعد إجراءات تجديد العظام الموجهة (GBR)، مع التركيز على قدرته على تقييم الزيادة الحجمية للأنسجة الصلبة بدقة، مما يسهل تحسين تخطيط العلاج وتقييم نتائج الجراحة.
الطرق
تحدد قسم “الطرق” الأساليب التجريبية والتحليلية المستخدمة في الدراسة. يتضمن تفاصيل تصميم التجارب، بما في ذلك اختيار المشاركين، والمواد المستخدمة، والإجراءات المحددة المتبعة لضمان إمكانية إعادة الإنتاج. يتم وصف التحليلات الإحصائية، مع تسليط الضوء على التقنيات المستخدمة لتفسير البيانات، مثل تحليل الانحدار أو ANOVA، جنبًا إلى جنب مع عتبات الأهمية المحددة لاختبار الفرضيات.
بالإضافة إلى ذلك، قد يتضمن القسم معلومات عن أي نماذج حسابية أو محاكاة تم استخدامها لدعم النتائج، فضلاً عن المعايير الخاصة بشمول البيانات أو استبعادها. بشكل عام، يتم تعريف الطرق بدقة لتسهيل التحقق من صحة النتائج البحثية وإعادة إنتاجها.
النتائج
يقدم قسم “النتائج” من الورقة البحثية النتائج الرئيسية المستمدة من التجارب أو التحليلات التي تم إجراؤها. عادةً ما يتضمن بيانات كمية، وتحليلات إحصائية، وتمثيلات بصرية مثل الرسوم البيانية أو الجداول لتوضيح النتائج. غالبًا ما تتم مقارنة النتائج مع الفرضيات الأولية أو الدراسات السابقة لتسليط الضوء على الفروق أو التأكيدات المهمة.
في هذا القسم، قد يبلغ المؤلفون عن مقاييس محددة، مثل القيم المتوسطة، والانحرافات المعيارية، أو قيم p، لدعم ادعاءاتهم. بالإضافة إلى ذلك، يتم مناقشة أي اتجاهات أو أنماط ملحوظة في البيانات، مما يوفر رؤى حول تداعيات النتائج. بشكل عام، يخدم هذا القسم لنقل الأدلة التجريبية التي تدعم أهداف البحث والاستنتاجات المستخلصة في الدراسة.
المناقشة
قيمت الدراسة نموذج تعلم عميق متعدد المراحل (DL) قائم على بنية SegResNet لتقسيم صور الأشعة المقطعية باستخدام شعاع المخروط (CBCT) للفك السفلي قبل وبعد تجديد العظام الموجه الأفقي (GBR). تم تدريب النموذج على 70 صورة CBCT، مع استخدام 57 للتدريب و13 للتحقق. تم تقييم دقة التقسيم من خلال مقارنة نتائج نموذج DL بتلك التي تم الحصول عليها من خلال طريقة تقسيم يدوية قياسية (SA)، والتي كانت بمثابة الحقيقة الأساسية. أظهرت النتائج دقة عالية لتقسيم الفك السفلي، مع متوسط معامل تشابه دايس (DSC) قدره 0.96 ± 0.01 لكل من الصور قبل العملية وبعدها، وعدم وجود اختلافات كبيرة في قياسات الحجم بين تقسيمات DL وSA (p = 0.45 للصور قبل العملية، p = 0.14 للصور بعد العملية).
على الرغم من النتائج الواعدة، أظهرت تقسيم الأنسجة الصلبة المعززة متوسط DSC أقل قدره 0.85 ± 0.08، والذي يُعزى إلى وجود دبابيس تثبيت من التيتانيوم في المنطقة المقسمة. سلطت الدراسة الضوء على أن وجود جزيئات الطعوم لم يؤثر بشكل كبير على دقة التقسيم، مما يشير إلى قوة نموذج DL للتطبيقات السريرية في تخطيط زراعة الأسنان. تضمنت القيود مجموعة بيانات تدريب صغيرة نسبيًا، مما قد يؤثر على موثوقية النموذج، والحاجة إلى تقييمات مستقبلية لدقة تقسيم الأسنان. يقترح المؤلفون زيادة حجم مجموعة بيانات التدريب ودمج عمليات التقسيم والمحاذاة في تطبيق واحد لتحسين سير العمل ودقة نمذجة المرضى الافتراضيين.
DOI: https://doi.org/10.1007/s00784-024-06136-w
PMID: https://pubmed.ncbi.nlm.nih.gov/39804427
Publication Date: 2025-01-13
Author(s): Dániel Palkovics et al.
Primary Topic: Dental Radiography and Imaging
Overview
This research investigates the efficacy of a deep learning (DL) model, specifically a SegResNet-based architecture, for segmenting cone-beam computed tomography (CBCT) scans before and after mandibular horizontal guided bone regeneration (GBR). The model was trained on 70 CBCT scans and evaluated using 10 pairs of pre- and post-operative scans. Performance metrics included the Dice similarity coefficient (DSC), intersection over the union (IoU), Hausdorff distance (HD95), and volume comparisons, with results indicating a mean DSC of 0.96 ± 0.01 and IoU of 0.92 ± 0.02 for both scan types. The HD95 values were 0.62 mm ± 0.16 mm for pre-operative and 0.77 mm ± 0.31 mm for post-operative scans, demonstrating strong agreement between DL and semi-automated (SA) segmentations.
The findings suggest that the SegResNet-based DL model effectively produces accurate 3D models of the mandible from CBCT scans, with no significant differences in volume measurements between DL and SA segmentations. However, the accuracy of augmented hard tissue segmentation was relatively lower, indicating a need for a larger training dataset to enhance model robustness. The study concludes that automated DL segmentation could significantly assist in treatment planning for GBR and subsequent implant procedures, while also facilitating the evaluation of hard tissue changes. Future work will focus on retraining the model to improve its reliability and performance.
Introduction
The introduction of this research paper highlights the transformative impact of digital technology on medicine, particularly in dentistry and oral surgery. Advances such as digital imaging, 3D modeling, additive manufacturing, and artificial intelligence (AI) have enhanced diagnostic efficiency and personalized treatment, leading to more predictable surgical outcomes and reduced complications. AI applications in healthcare, including machine learning and image analysis, are increasingly integrated into clinical practices, with specific relevance to radiographic image processing in dentistry.
The paper discusses the challenges of automatic segmentation of cone-beam computed tomography (CBCT) images, which are crucial for preoperative planning in various dental surgeries. Traditional segmentation methods, such as global thresholding and semi-automatic techniques, have limitations in accuracy and efficiency. In contrast, deep learning (DL) models, particularly those utilizing convolutional neural networks (CNN) like the 3D U-Net architecture, have shown promising results in achieving high accuracy for segmentation tasks. The authors aim to evaluate the performance of a SegResNet-based DL model for segmenting CBCT scans before and after guided bone regeneration (GBR) procedures, with a focus on its ability to accurately assess volumetric hard tissue gain, thereby facilitating improved treatment planning and surgical outcome evaluations.
Methods
The “Methods” section outlines the experimental and analytical approaches employed in the study. It details the design of the experiments, including the selection of participants, materials used, and the specific procedures followed to ensure reproducibility. Statistical analyses are described, highlighting the techniques used to interpret the data, such as regression analysis or ANOVA, along with the significance thresholds established for hypothesis testing.
Additionally, the section may include information on any computational models or simulations utilized to support the findings, as well as the criteria for data inclusion or exclusion. Overall, the methods are rigorously defined to facilitate validation and replication of the research outcomes.
Results
The “Results” section of the research paper presents key findings derived from the conducted experiments or analyses. It typically includes quantitative data, statistical analyses, and visual representations such as graphs or tables to illustrate the outcomes. The results are often compared against the initial hypotheses or previous studies to highlight significant differences or confirmations.
In this section, the authors may report specific metrics, such as mean values, standard deviations, or p-values, to substantiate their claims. Additionally, any observed trends or patterns in the data are discussed, providing insights into the implications of the findings. Overall, this section serves to convey the empirical evidence supporting the research objectives and conclusions drawn in the study.
Discussion
The study evaluated a multi-stage deep learning (DL) model based on the SegResNet architecture for segmenting cone beam computed tomography (CBCT) scans of the mandible before and after horizontal guided bone regeneration (GBR). The model was trained on 70 CBCT scans, with 57 used for training and 13 for validation. The segmentation accuracy was assessed by comparing the DL model’s results to those obtained through a standard manual segmentation (SA) method, which served as the ground truth. The findings indicated high accuracy for mandible segmentation, with a mean Dice similarity coefficient (DSC) of 0.96 ± 0.01 for both preoperative and postoperative scans, and no significant differences in volume measurements between DL and SA segmentations (p = 0.45 for preoperative, p = 0.14 for postoperative).
Despite the promising results, the segmentation of augmented hard tissues showed a lower mean DSC of 0.85 ± 0.08, attributed to the inclusion of titanium fixation pins in the segmented area. The study highlighted that the presence of graft particles did not significantly affect segmentation accuracy, suggesting the DL model’s robustness for clinical applications in dental implant planning. Limitations included a relatively small training dataset, which may impact the model’s reliability, and the need for future evaluations of tooth segmentation accuracy. The authors propose increasing the training dataset size and integrating segmentation and alignment processes into a single application to enhance the workflow and accuracy of virtual patient modeling.