[Automatic segmentation of dental cone-beam computed tomography scans using a deep learning framework]

Bevezetés: A ’cone-beam’ (kúpsugaras) számítógépes tomográfiás (CBCT) felvételek szegmentációja során a síkbeli képekből álló adatokat három dimenzióban (3D) rekonstruáljuk. A szájsebészetben és a parodontológiában a digitális adatfeldolgozás lehetővé teszi a műtéti beavatkozások 3D tervezését. A leggyakrabban alkalmazott határérték-alapú szegmentáció gyors, de pontatlan, míg a félautomatikus módszerek megfelelő pontosságúak, de rendkívül időigényesek. Az utóbbi években a mesterséges intelligencián alapuló technológiák elterjedésével azonban mostanra lehetőség van a CBCT-felvételek automatikus szegmentációjára. Célkitűzés: A klinikai gyakorlatból vett CBCT-felvételeken betanított mélytanulási szegmentációs modell bemutatása és hatékonyságának vizsgálata. Módszer: A vizsgálat három fő fázisa volt: a tanuló adatbázis felállítása, a mélytanulási modell betanítása és ezen architektúra pontosságának tesztelése. A tanuló adatbázis felállításához 70, részlegesen fogatlan páciens CBCT-felvételeit alkalmaztuk. A SegResNet hálózati architektúrára épülő szegmentációs modellt a MONAI rendszer segítségével fejlesztettük ki. A mélytanulási modell pontosságának ellenőrzéséhez 15 CBCT-felvételt használtunk. Ezeket a felvételeket a mélytanulási modell segítségével, valamint félautomatikus szegmentációval is feldolgoztuk, és összehasonlítottuk a két szegmentáció eredményét. Eredmények: A mélytanulásos szegmentáció és a félautomatikus szegmentáció közötti hasonlóság a Jaccard-index szerint átlagosan 0,91 ± 0,02, a Dice hasonlósági együttható átlagos értéke 0,95 ± 0,01, míg a két modell közötti átlagos Hausdorff- (95%) távolság 0,67 mm ± 0,22 mm volt. A mélytanulásos architektúra által szegmentált és a félautomatikus szegmentációval létrehozott 3D modellek térfogata nem mutatott statisztikailag szignifikáns különbséget (p = 0,31). Megbeszélés: A vizsgálatunkban használt mélytanulási modell az irodalomban található mesterségesintelligencia-rendszerekhez hasonló pontossággal végezte el a CBCT-felvételek szegmentációját, és mivel a CBCT-felvételek a rutin klinikai gyakorlatból származtak, a mélytanulási modell relatíve nagy megbízhatósággal szegmentálta a parodontalis csonttopográfiát és az alveolaris gerincdefektusokat. Következtetés: A mélytanulási modell nagy pontossággal szegmentálta az alsó állcsontot dentális CBCT-felvételeken. Ezek alapján megállapítható, hogy a mélytanulásos szegmentációval előállított 3D modell alkalmas lehet rekonstruktív szájsebészeti és parodontalis sebészeti beavatkozások digitális tervezésére. Orv Hetil. 2024; 165(32): 1242–1251.