[论文解读] Dental pathology detection in 3D cone-beam CT
本文提出了一种用于在3D锥束CT（CBCT）扫描中自动检测牙科病理的深度学习流程，采用两阶段方法：首先通过3D U-Net变体（V-Net）定位牙齿，然后使用3D DenseNet对六种常见病症——充填物、牙冠、种植体、充填根管、阻生牙和缺失牙——进行分类。该系统在牙齿定位中实现了96.3%的准确率，在所有病理类别上的平均AUROC为0.94。
Cone-beam computed tomography (CBCT) is a valuable imaging method in dental diagnostics that provides information not available in traditional 2D imaging. However, interpretation of CBCT images is a time-consuming process that requires a physician to work with complicated software. In this work we propose an automated pipeline composed of several deep convolutional neural networks and algorithmic heuristics. Our task is two-fold: a) find locations of each present tooth inside a 3D image volume, and b) detect several common tooth conditions in each tooth. The proposed system achieves 96.3\% accuracy in tooth localization and an average of 0.94 AUROC for 6 common tooth conditions.
研究动机与目标
- 解决临床牙科中3D锥束CT（CBCT）图像解读耗时且复杂的问题。
- 开发一种自动化流程，用于检测3D CBCT影像中的常见牙科病理，减少对手动解读的依赖。
- 通过实现牙齿的快速、精准定位和病理状况分类，提高诊断效率。
- 为基于深度学习的牙科影像临床决策支持系统提供基础。
提出的方法
- 使用跨冠状切片的稀疏2D边界框标注，并通过插值生成3D体素掩膜，训练基于3D U-Net的V-Net模型以实现牙齿定位。
- 采用多视角投影策略（冠状面、矢状面、矢状面）以识别最佳牙齿提取区域。
- 在每个定位到的牙齿周围提取3D子体积，将其重采样为64³，并输入3D DenseNet分类器。
- 使用包含4个密集块、每块6层、增长率48、压缩因子0.5的3D DenseNet，将2D卷积替换为3D卷积。
- 使用加权二元交叉熵损失函数训练分类模型，损失权重根据类别频率的倒数进行调整，以缓解类别不平衡问题。
- 通过在垂直方向扩展边界框15 mm、水平方向扩展8 mm，优化定位流程，以捕捉牙齿周围上下文信息并提高鲁棒性。
实验结果
研究问题
- RQ1能否利用稀疏2D标注和3D插值，通过深度学习流程在3D CBCT体数据中准确地定位所有牙齿？
- RQ23D卷积神经网络能否在从定位牙齿体数据中分类多种非互斥牙科病理方面实现高性能？
- RQ3加权二元交叉熵损失在缓解罕见牙科病症（如种植体和阻生牙）的类别不平衡问题方面效果如何？
- RQ4定位模型在多大程度上可支持下游任务（如2D全景重建），以提升临床可用性？
主要发现
- 基于V-Net的定位模型在3D CBCT体数据中识别每颗牙齿正确位置的准确率达到96.3%。
- 3D DenseNet分类器在六种牙科病理类别上的平均AUROC为0.94，各项AUROC得分介于0.892（充填物）至0.979（种植体）之间。
- 数据集中最常见病变为充填物（占阳性病例的21.5%），最罕见的为种植体和阻生牙（分别为1.5%和1.8%）。
- 分类模型在罕见病理上的表现优异，阻生牙的AUROC为0.931，种植体的AUROC为0.979。
- 定位流程支持高质量的2D全景重建，为牙医提供熟悉且直观的临床界面，用于回顾3D CBCT数据。
- 该系统性能，尤其是定位部分，已足够支持其作为预处理或决策支持工具在临床中集成。
更好的研究，从现在开始
从阅读论文到最终审阅，大幅缩短您的研究时间。
无需绑定信用卡
本解读由 AI 生成，并经人工编辑审核。