跳转至

A fully automatic AI system for tooth and alveolar bone segmentation from cone beam CT images

论文地址

https://www.nature.com/articles/s41467-022-29637-2

代码

https://github.com/ErdanC/Tooth-and-alveolar-bone-segmentation-from-CBCT

摘要

Cite

从牙锥束CT（CBCT）图像中准确描绘单个牙齿和牙槽骨是数字化牙科中用于精确牙科护理的重要一步。在本文中，我们提出了一种用于对真实患者CBCT图像进行高效， 精确和全自动分割的AI系统。我们的人工智能系统是在迄今为止最大的数据集上进行评估的，即使用来自15个不同中心的4，215名患者（4，938次CBCT扫描）的数据集。 这种全自动人工智能系统实现了与经验丰富的放射科医生相当的分割精度（例如，平均骰子相似系数提高了0.5%），同时效率提高了（即快500倍）。此外， 它始终如一地获得具有不同牙齿异常的挑战性病例的准确结果，牙齿和牙槽骨分割的平均Dice得分分别为91.5%和93.0%。这些结果表明， 它有潜力成为促进数字牙科临床工作流程的强大系统。

牙齿和牙槽骨分割，重点1：全自动分割AI系统，重点2：迄今为止最大的数据集，4938个数据

背景

当前的使用深度学习的分割来分割CBCT的牙齿和颌骨，主要面临三个问题

  1. 整个分割流程比较复杂，至少包括ROI区域定位、牙齿分割和颌骨分割，以前的工具无法端到端的完成所有步骤
  2. CBCT数据变化较大，同时存在比较常见的复杂病例，如金属伪影、牙齿缺失、牙齿错位等，比较难以处理
  3. 由于数据的难以获取以及高昂的标注成本，以前的工作用的数据集较小，难以保证泛化能力

本文开发了一种基于深度学习的人工智能系统，该系统在临床上稳定且准确，可用于牙科CBCT图像的全自动牙齿和牙槽骨分割。 对于牙齿分割，ROI生成网络首先定位上下颌的前景区域，以降低对高分辨率3D CBCT图像进行分割的计算成本。然后， 一个特定的两阶段深度网络明确地利用全面的几何信息（牙齿的分层形态成分自然固有）来精确描绘单个牙齿。 对于牙槽骨分割，特定的滤波器增强网络首先增强骨边界周围的强度对比度，然后将增强的图像与原始图像相结合，以精确注释骨结构。

方法

输入图像走两个分支，一个做牙齿ROI然后做牙齿分割，一个做颌骨分割。实验部分指出，对于牙齿分割，对牙齿的形态识别（文中的识别牙齿骨架）和边界识别很重要， 尤其是对于金属伪影的情况，可以大大提高边界部分的分割效果。 文中进行的对比实验中，对比的模型是ToothNet1MWTNet2和CGDNet3。本文中的方法不论是在1）小数据集上2）进行数据增强的小数据集上还是3）大数据集上表现更好

Cite

综上所述，与以往基于深度学习的牙齿分割方法相比，我们的AI系统具有三个方面的优势。首先，我们的人工智能系统是全自动的， 而大多数现有方法在牙齿分离之前需要人工干预（例如，必须手动描绘前景和ROI）。其次，我们的人工智能系统具有最佳的牙齿分割精度， 因为我们提出了分层形态表示。第三，据我们所知，我们的人工智能系统是第一个从CBCT图像中对关节牙齿和牙槽骨分割的深度学习工作。

方法部分主要在介绍思路，文章的主要篇幅在介绍实验部分，着重介绍了实验的数据集和效果以及一些讨论，对于网络实现的细节部分不多，不过给出了代码。 网络的细节在作者的前面的论文中有写，可以参考以下文章

  1. Hierarchical Morphology-Guided Tooth Instance Segmentation from CBCT Images
  2. Center-Sensitive and Boundary-Aware Tooth Instance Segmentation and Classification from Cone-Beam CT.md

实验

金属伪影是影响分割效果的最严重的异常类型

文章后面给出了一些细节

  • 数据预处理：图像被采样到0.4mm各向同性，强度归一化的范围是[0,2500]
  • 模型：patch size是256256256. V100训练

  1. Cui, Z., Li, C. & Wang, W. Toothnet: automatic tooth instance segmentation and identification from cone beam CT images. In Proceedings of the IEEE/ CVF Conference on Computer Vision and Pattern Recognition, 6368–6377(2019) ↩

  2. Chen, Y. et al. Automatic segmentation of individual tooth in dental CBCT images from tooth surface map by a multi-task fcn. IEEE Access 8, 97296–97309 (2020). ↩

  3. Wu, X. et al. Center-sensitive and boundary-aware tooth instance segmentation and classification from cone-beam CT. In 2020 IEEE 17th International Symposium on Biomedical Imaging (ISBI), 939–942 (IEEE,2020) ↩

评论