DOI: https://doi.org/10.1038/s41598-024-64609-0
PMID: https://pubmed.ncbi.nlm.nih.gov/38880802
تاريخ النشر: 2024-06-16
المؤلف: Mohammed Al-Asali وآخرون
الموضوع الرئيسي: الأشعة السينية السنية والتصوير
نظرة عامة
تقدم ورقة البحث إطار عمل يستخدم نماذج التعلم العميق U-Net لتقسيم العظام في صور الأشعة المقطعية باستخدام شعاع المخروط (CBCT) للمساعدة في تخطيط زراعة الأسنان. قامت الدراسة بتحليل مجموعة بيانات تتكون من 150 صورة CBCT من مرضى في مستشفى طيبة الجامعي لطب الأسنان (TUDH) تم جمعها بين عامي 2018 و2023. أظهر نموذج U-Net أداءً عاليًا في تقسيم العظام، محققًا درجات ديس، ودقة، واسترجاع بلغت 0.93، 0.94، و0.93 على التوالي، إلى جانب خطأ حجم منخفض قدره 0.01. وهذا يشير إلى إمكانية النموذج في أتمتة عملية التخطيط لأطباء زراعة الأسنان، مما يعزز نتائج العلاج.
على الرغم من النتائج الواعدة، تعترف الدراسة بالقيود مثل الدقة المتوسطة في تقسيم منطقة السن المفقود والاعتماد على برامج تقسيم خارجية. يؤكد المؤلفون على الحاجة إلى مزيد من البحث لتحسين نماذج التعلم العميق وتقنيات التقسيم لتخطيط زراعة الأسنان. يقترحون أن زيادة حجم مجموعة البيانات واستخدام تحسين البيانات يمكن أن يعزز أداء النموذج، مما يسهم في عمليات تخطيط زراعة أكثر فعالية وكفاءة. تؤكد النتائج على الدور المتزايد للذكاء الاصطناعي في تحسين العلاجات السنية وتسلط الضوء على مجالات الاستكشاف المستقبلية في هذا المجال.
الطرق
يستعرض قسم “الطرق” في ورقة البحث الإجراءات التجريبية والتحليلية المستخدمة للتحقيق في سؤال البحث. يوضح اختيار المشاركين، والمواد المستخدمة، والبروتوكولات المحددة المتبعة خلال الدراسة. تم تصميم المنهجية لضمان الموثوقية والصلاحية، مع دمج كل من الأساليب النوعية والكمية حسب الحاجة.
تُوصف تقنيات جمع البيانات، مثل الاستطلاعات، والتجارب، أو الدراسات الملاحظة، إلى جانب الأدوات الإحصائية والبرامج المستخدمة لتحليل البيانات. قد يتناول القسم أيضًا أي اعتبارات أخلاقية تم أخذها في الاعتبار خلال عملية البحث، لضمان الامتثال للإرشادات ذات الصلة. بشكل عام، تهدف الطرق المستخدمة إلى توفير إطار عمل قوي لمعالجة أهداف البحث وتسهيل إعادة إنتاج النتائج.
النتائج
تظهر نتائج هذه الدراسة فعالية نماذج التعلم العميق U-Net في تقسيم مناطق عظام الأسنان المفقودة من صور الأشعة المقطعية باستخدام شعاع المخروط (CBCT) وتوقع مواقع الزرع. تم هيكلة المنهجية إلى ثلاث مراحل، تبدأ بإعداد أحجام CBCT. يتم استخدام نموذج U-Net الأول لتقسيم عظام السن المفقود من الحجم الكامل، كما هو موضح في الشكل 4 (الخطوة 2). بعد ذلك، يركز نموذج U-Net الثاني على تقسيم منطقة الاهتمام (ROI) داخل عظام السن المفقود، مما يسهل تحديد منطقة الزرع المناسبة، كما هو موضح في الشكل 1 (الخطوة 3).
تشير هذه النتائج إلى أن نماذج U-Net المقترحة يمكن أن تعزز بدقة تخطيط زراعة الأسنان من خلال تحديد الهياكل التشريحية الحيوية بدقة في صور CBCT.
المناقشة
في هذه الدراسة، تم استخدام نموذجين من U-Net لتعزيز تقسيم عظام الأسنان المفقودة في صور الأشعة المقطعية باستخدام شعاع المخروط (CBCT)، مما يسهل تخطيط زراعة الأسنان. حقق النموذج الأول أداءً متوسطًا في التقسيم، مع مقاييس مثل مؤشرات ديس وجاكارد تشير إلى تداخل معقول مع بيانات الحقيقة الأرضية، مع الحفاظ على معدل خطأ حجم قدره 14.32%. أظهر النموذج الثاني، الذي ركز على تقسيم المنطقة المحددة للاستخدام في الزرع، تحسينًا كبيرًا في مقاييس الأداء، بما في ذلك درجة ديس قدرها 0.93 ومعدل خطأ حجم قدره 1% فقط. تشير هذه النتائج إلى أن النموذج الثاني يلتقط التفاصيل التشريحية اللازمة لتخطيط الزرع بدقة.
تسلط المناقشة الضوء على تحديات تقسيم الأسنان، بما في ذلك تعقيد الهياكل السنية وقيود جودة الصورة في صور CBCT. تؤكد الدراسة على إمكانيات الذكاء الاصطناعي في الممارسات السنية، لا سيما في تحسين دقة وكفاءة تخطيط العلاج. بينما تظهر النماذج المقترحة وعدًا، يعترف المؤلفون بالقيود، مثل الحاجة إلى مزيد من تحسين دقة التقسيم والاعتماد على القص اليدوي للأحجام. يمكن أن تركز التطورات المستقبلية على دمج الذكاء الاصطناعي مع الإرشادات الجراحية في الوقت الحقيقي والواقع المعزز، مما يعزز في النهاية نتائج المرضى في زراعة الأسنان.
DOI: https://doi.org/10.1038/s41598-024-64609-0
PMID: https://pubmed.ncbi.nlm.nih.gov/38880802
Publication Date: 2024-06-16
Author(s): Mohammed Al-Asali et al.
Primary Topic: Dental Radiography and Imaging
Overview
The research paper presents a framework utilizing U-Net deep learning models for segmenting bone in cone-beam computerized tomography (CBCT) scans to assist in dental implant planning. The study analyzed a dataset of 150 CBCT images from patients at Taibah University Dental Hospital (TUDH) collected between 2018 and 2023. The U-Net model demonstrated high performance in bone segmentation, achieving dice, precision, and recall scores of 0.93, 0.94, and 0.93, respectively, alongside a low volume error of 0.01. This indicates the model’s potential for automating the planning process for dental implantologists, thereby enhancing treatment outcomes.
Despite the promising results, the study acknowledges limitations such as moderate accuracy in segmenting the missing tooth region and reliance on external segmentation software. The authors emphasize the need for further research to improve deep learning models and segmentation techniques for dental implant planning. They suggest that increasing the dataset size and employing data augmentation could enhance model performance, ultimately contributing to more effective and efficient implant planning processes. The findings underscore the growing role of artificial intelligence in optimizing dental treatments and highlight areas for future exploration in the field.
Methods
The “Methods” section of the research paper outlines the experimental and analytical procedures employed to investigate the research question. It details the selection of participants, materials used, and the specific protocols followed during the study. The methodology is designed to ensure reliability and validity, incorporating both qualitative and quantitative approaches as necessary.
Data collection techniques, such as surveys, experiments, or observational studies, are described, along with the statistical tools and software utilized for data analysis. The section may also address any ethical considerations taken into account during the research process, ensuring compliance with relevant guidelines. Overall, the methods employed are aimed at providing a robust framework for addressing the research objectives and facilitating reproducibility of the findings.
Results
The results of this study demonstrate the effectiveness of U-Net deep learning models in segmenting missing tooth bone regions from Cone Beam Computed Tomography (CBCT) scans and predicting implant positions. The methodology is structured into three stages, beginning with the preparation of CBCT volumes. The first U-Net model is employed to segment the missing tooth bone from the entire volume, as illustrated in Figure 4 (step 2). Subsequently, the second U-Net model focuses on segmenting the region of interest (ROI) within the missing tooth bone, facilitating the identification of an appropriate implant region, as depicted in Figure 1 (step 3).
These findings indicate that the proposed U-Net models can effectively enhance the precision of dental implant planning by accurately delineating critical anatomical structures in CBCT images.
Discussion
In this study, two U-Net models were employed to enhance the segmentation of missing tooth bone in cone beam computed tomography (CBCT) images, facilitating dental implant planning. The first model achieved moderate segmentation performance, with metrics such as Dice and Jaccard indices indicating reasonable overlap with ground truth data, while maintaining a volume error rate of 14.32%. The second model, which focused on segmenting the specific region of interest for implant placement, demonstrated significantly improved performance metrics, including a Dice score of 0.93 and a volume error rate of just 1%. These results suggest that the second model effectively captures the anatomical details necessary for precise implant planning.
The discussion highlights the challenges of dental segmentation, including the complexity of dental structures and the limitations of image quality in CBCT scans. The study underscores the potential of AI in dental practices, particularly in improving the accuracy and efficiency of treatment planning. While the proposed models show promise, the authors acknowledge limitations, such as the need for further optimization of segmentation accuracy and the reliance on manual cropping of volumes. Future developments could focus on integrating AI with real-time surgical guidance and augmented reality, ultimately enhancing patient outcomes in dental implantology.