[論文レビュー] Fully automatic integration of dental CBCT images and full-arch intraoral impressions with stitching error correction via individual tooth segmentation and identification

Tae Jun Jang, Hye Sun Yun+4 more|PubMed|Dec 3, 2021

Dental Radiography and Imaging被引用数 8

ひとこと要約

本論文では、歯科用CBCTと口腔内スキャン（IOS）画像を完全自動で統合する手法を提示する。両モodalitiyの個々の歯をセグメンテーションし特定し、グローバルおよびローカルに登録し、CBCTを基準として全アーキテクチャスキャンにおける累積的ステッチング誤差を是正する。重度の金属アーチファクトが存在する状況下でも112.4 μmのランドマーク誤差を達成し、サブミリメートルの精度を実現する。臨床的・高精細な顎-歯-歯肉モデルの構築が可能となる。

ABSTRACT

We present a fully automated method of integrating intraoral scan (IOS) and dental cone-beam computerized tomography (CBCT) images into one image by complementing each image's weaknesses. Dental CBCT alone may not be able to delineate precise details of the tooth surface due to limited image resolution and various CBCT artifacts, including metal-induced artifacts. IOS is very accurate for the scanning of narrow areas, but it produces cumulative stitching errors during full-arch scanning. The proposed method is intended not only to compensate the low-quality of CBCT-derived tooth surfaces with IOS, but also to correct the cumulative stitching errors of IOS across the entire dental arch. Moreover, the integration provides both gingival structure of IOS and tooth roots of CBCT in one image. The proposed fully automated method consists of four parts; (i) individual tooth segmentation and identification module for IOS data (TSIM-IOS); (ii) individual tooth segmentation and identification module for CBCT data (TSIM-CBCT); (iii) global-to-local tooth registration between IOS and CBCT; and (iv) stitching error correction for full-arch IOS. The experimental results show that the proposed method achieved landmark and surface distance errors of 112.4μm and 301.7μm, respectively.

研究の動機と目的

• CBCTの低解像度および金属由来のアーチファクトといった限界を克服し、全アーキテクチャIOSにおけるステッチング誤差をCBCTとIOSの統合によって是正すること。
• ユーザーの介入やフィducialマーカーを一切用いずに、CBCTとIOSの間で完全自動で強固な登録を実現すること。
• IOSの高解像度の冠および歯肉表面と、CBCTの根および骨構造を統合した高精細な3次元モデルを生成すること。
• CBCTで登録された歯のセグメンテーションを基準として、全アーキテクチャIOSにおける累積的ステッチング誤差を是正すること。

提案手法

• IOSデータに歯のセグメンテーションおよび識別モジュール（TSIM-IOS）を適用し、個々の歯面を抽出し、固有の識別子を割り当てる。
• 別個のTSIM-CBCTモジュールを用いてCBCTデータに対しても同様の処理を実施し、画像アーチファクトが存在する中でも正確な歯レベルの対応を可能にする。
• グローバルからローカルへの歯登録により、幾何学的およびトポロジカルな特徴を用いて対応する歯をマッチングさせ、ずれを最小限に抑える。
• ステッチング誤差是正モジュールは、CBCTから得られる歯の位置を基準としてIOSモデルを精緻化し、歯列全体にわたる歪みを低減する。
• 反復最密接点法（ICP）およびその他の登録技術を用い、深層学習に基づく初期登録と重複領域の抑制を強化する。
• 是正済みのIOSとCBCTデータを統合し、顎、歯、歯肉（および口蓋）軟部組織を含む統一的かつコンponent化された3次元モデルを構築する。

実験結果

リサーチクエスチョン

• RQ1 ユーザーの介入やフィducialマーカーを一切用いずに、完全自動の手法でCBCTとIOSの間で正確なマルチモodal登録を達成できるか？
• RQ2 金属アーチファクトが存在するCBCTにおいて、個々の歯のセグメンテーションと識別が、登録精度をどの程度向上できるか？
• RQ3 CBCTを基準として全アーキテクチャIOSのステッチング誤差をどの程度是正できるか？
• RQ4 提案手法によるステッチング誤差是正後に、ランドマークおよび表面精度が定量的にどの程度向上したか？
• RQ5 統合モデルは、臨床的・実用的な高解像度の歯冠および根の表現に加え、歯肉の詳細まで含めたものとなるか？

主な発見

• 提案手法はランドマーク誤差112.4 μm ± 73.1 μmを達成し、TSIM + FPFH（144.3 μm）およびTSIM + MR（532.3 μm）といったベースライン手法を著しく上回った。
• 表面距離誤差は301.7 μm ± 112.2 μmにまで低減され、TSIM + FPFH（402.4 μm）を含む他の手法と比較して顕著な改善が確認された。
• 統計的分析により、すべての主要指標でp値 < 0.001が得られ、結果の有意性に高い信頼性が確認された。
• 定性的な評価では、是正済みIOSの輪郭がCBCTの歯エッジとほぼ重なり合うことから、全アーキテクチャIOSにおけるステッチング誤差が効果的に是正されたことが示された。
• 統合により、顎の骨、個々の歯、および両モダリティから得られた歯肉・口蓋軟部組織を含む臨床的・実用的なコンponent化された3次元モデルが得られた。
• 金属アーチファクトが重度に存在するCBCTにおいても、高精度を維持し、複雑な金属アーチファクト低減（MAR）前処理の必要性を回避した。