Deep learning method for reducing metal artifacts in dental cone-beam CT using supplementary information from intra-oral scan¶
论文地址¶
https://iopscience.iop.org/article/10.1088/1361-6560/ac8852
摘要¶
Cite
客观的。最近，牙科锥形束计算机断层扫描 (CBCT) 方法得到改进，可以显着降低辐射剂量，同时以最低的设备成本保持图像分辨率。在低剂量 CBCT 环境中， 植入物、牙冠和牙科填充物等金属插入物会导致严重的伪影，从而导致重建图像中牙齿形态结构的显着损失。此类金属制品妨碍了用于诊断和治疗计划的准确 3D 骨骼-牙齿-颌骨建模。然而，现有的金属伪影减少 (MAR) 方法在处理重建 CT 图像中牙齿形态结构丢失方面的性能仍然相对有限。在这项研究中， 我们开发了一种创新的 MAR 方法来实现解剖细节的最佳恢复。方法。所提出的 MAR 方法基于基于两阶段深度学习的方法。在第一阶段，我们采用深度学习网络， 利用口腔内扫描数据作为侧输入，并执行辅助牙齿分割的多任务学习。该网络旨在提高有效捕获牙齿相关特征的学习能力，同时减轻金属伪影。在第二阶段， 使用加权阈值构建 3D 骨-牙-颌模型，其中加权区域根据口内扫描数据的几何形状确定。主要结果。给出了数值模拟和临床实验的结果，以证明所提出方法的可行性。 意义。我们首次提出了一种 MAR 方法，使用无辐射口内扫描数据作为牙齿牙齿形态结构的补充信息，旨在在低剂量 CBCT 环境中进行精确的 3D 骨-牙-颌建模