3D-цефалометрия лица с применением искусственного интеллекта

Цель исследования - разработка новой модели сверхточной нейронной сети (СНС) для распознавания и установки цефалометрических точек (ЦТ) на срезах конусно-лучевой компьютерной томограммы (КЛКТ) для дальнейшего проведения трехмерного (3D) цефалометрического анализа и оценки его точности. Настоящее исследование показало, что в случае ограниченного набора данных обнаружение ключевых точек как проблемы сегментации изображения может обеспечить точную и обобщенную производительность для определения цефалометрических ориентиров на КЛКТ. Разработанная искусственная нейронная сеть (ИНС) показала, что средняя абсолютная ошибка для всех точек (МАЕ) при определении координат составляет 2,78 мм, а среднее стандартное отклонение - 1,59 мм. Предлагаемый метод определения на КЛКТ ЦТ с помощью обученной ИНС, интегрированный в специализированное программное обеспечение, обладает высоким потенциалом в плане сокращения трудоемкости рабочего процесса.

The goal of this study was to create a new convolutional neural network (CNN) model system for landmarking cephalometric points on DICOM slices of cone-beam computed tomography for future 3D cephalometrics and to evaluate its accuracy. The current study demonstrates that when determining ceph points on 3D cone-beam computed tomography (CBCT) scans of the head, considering the problem of keypoint detection as a segmentation problem can provide an accurate and generalised performance in the case of a limited 3D dataset. The constructed CNN demonstrated a mean absolute error (MAE) of 2.78 mm by distance across all points and a standard deviation (SD) of 1.59 mm by distance across all points. Conclusion. The study shows that the segmentation approach for CNN learning to determine cephalometric points on anatomical 3D models based on CBCTs is highly efficient. The proposed method, when embedded in specialized software, has the potential to significantly reduce the time-consuming workflow used by experts.