Automatic Segmentation of Mandible from Conventional Methods to Deep Learning—A Review
论文地址¶
https://www.ncbi.nlm.nih.gov/pmc/articles/PMC8307673/
摘要¶
Cite
医学成像技术，如（锥形束）计算机断层扫描和磁共振成像，已被证明是口腔颌面外科（OMFS）的重要组成部分。 从头颈部（H&N）扫描中准确分割下颌骨是构建个性化3D数字下颌骨模型以用于OMFS的3D打印和治疗规划的重要步骤。 分段下颌骨结构用于有效地可视化下颌骨体积，并定量评估特定的下颌骨特性。然而，由于复杂的结构和更高的衰减材料， 例如牙齿（填充物）或金属植入物，在扫描过程中容易导致高噪声和强伪影，因此下颌骨分割对于临床医生和研究人员来说总是具有挑战性的。 此外，下颌骨的大小和形状在很大程度上因人而异。因此，下颌骨分割是一项繁琐而耗时的任务，需要进行适当的训练。 随着计算机视觉方法的进步，研究人员在过去二十年中开发了几种自动分割下颌骨的算法。这篇综述的目的是介绍发表在不同科学文章中的下颌骨全 （半）自动分割方法。这篇综述生动地描述了该领域的临床医生和研究人员的科学进展，以帮助开发用于临床应用的新型自动化方法
主要是介绍下颌骨的分割论文，相比于上颌骨，下颌骨结构还是简单好分一些
内容¶
本文中总结到，下颌骨分割的方法可以分为以下几类，其中基于深度学习的发表论文最多。
- 基于统计形状的（SSM）
- 基于主动形状的（ASM）
- 基于主动外观的（AAM）
- 基于图谱的、基于水平集的
- 基于经典机器学习的
- 基于深度学习的方法
对于每一类的论文，文中都进行了简单的介绍并列举了一些代表性的论文，其中深度学习的论文章节是最多的。
好多的论文中都使用了PDDCA这个数据集。这个数据集是来自头颈部自动分割MICCAI挑战（2015）， 其中包括下颌骨但是没有上颌骨
结论¶
Cite
由于金属伪影的存在、髁的低对比度以及患者之间下颌骨的巨大差异，下颌骨分割是一项具有挑战性的任务。CT模态是OMFS最常用的成像技术。 迄今为止，文献中提出的下颌骨分割方法在CT扫描中取得了很好的结果。在机器学习时代之前，基于图集的分割方法是最常见的方法，并且表现良好。 随着技术的进步，基于深度学习的分割方法大幅增加。基于深度学习的方法比传统方法表现得更好、更快，尽管它们在训练中需要更多的数据和更高的计算资源。 由于数据集有限，不能完全代表临床上的一般患者群体，因此仍有改进的空间。此外，CBCT和MRI中的下颌骨分割因其低剂量辐射或无辐射而有助于进一步探索。 因此，下颌骨分割仍然是一个有待改进的开放研究领域。
一篇综述论文，介绍了包括深度学习在内的多种方法，可以作为一个参考