基于深度学习的口腔颌面部CT图像金属伪影消除与临床验证曾维 周善洛 郭际香 汤炜
中华口腔医学杂志2023年 58卷 06期
DOI: 10.3760/cma.j.cn112144-20230302-00067
目的
通过训练生成对抗网络(generative adversarial networks,GAN)模型,构建一种用于消除CT图像金属伪影的神经网络,以期为临床提供参考。
方法
收集2017年1月至2022年6月四川大学华西口腔医院影像科就诊患者的CT资料,共纳入1 000例无伪影CT数据和620例金属伪影CT数据,包含充填体、冠类、钛板钛钉类、托槽类、金属异物类5种。将400例金属伪影CT数据和1 000例无伪影CT数据用于仿真合成,构建出1 000对配对的模拟金属及伪影图像和模拟金属图像(每种200对)。在保证5种金属伪影数据相等的情况下,将整个数据集随机(计算机随机)分为训练集(800对)和测试集(200对),前者用于训练GAN模型,后者用于评估GAN模型性能。定量评价测试集均方根误差(root-mean-square error,RMSE)和结构相似性(structural similarity index measure,SSIM)。用训练好的GAN模型对剩余的220例临床病例颌面部CT图像金属伪影进行消除,并由2名高年资主治医师分别使用改良利克特量表对消除结果进行评价。
结果
测试集中充填体、冠类、钛板钛钉类、托槽类和金属异物类伪影消除的RMSE值分别为0.018±0.004、0.023±0.007、0.015±0.003、0.019±0.004、0.024±0.008(F=1.29,P=0.274),SSIM值分别为0.963±0.023、0.961±0.023、0.965±0.013、0.958±0.022、0.957±0.026(F=2.22,P=0.069),总体差异均无统计学意义。2名评价者评分的组内相关系数为0.972,对于220例临床病例,改良利克特量表的总体得分为(3.73±1.13)分,整体消除效果较满意。充填体、冠类、钛板钛钉类、托槽类和金属异物类的改良利克特量表得分分别为(3.68±1.13)、(3.67±1.16)、(3.97±1.03)、(3.83±1.14)、(3.33±1.12)分,总体差异无统计学意义(F=1.44,P=0.145)。
结论
本项研究构建的CT图像金属伪影消除GAN模型,可有效去除金属伪影的干扰,提升图像质量。
基于深度学习的头颅侧位X线片自动诊断分类研究常荍 王少烽 左飞飞 王凡 龚蓓文 王亚杰 谢贤聚
中华口腔医学杂志2023年 58卷 06期
DOI: 10.3760/cma.j.cn112144-20230305-00072
目的
基于深度学习构建头颅侧位X线片自动诊断分类模型,为正畸临床诊断提供参考。
方法
收集2015年1月至2021年12月就诊于首都医科大学口腔医学院正畸科的正畸患者头颅侧位X线片2 894张,构建数据集,包括1 351例男性和1 543例女性,年龄(26.4±7.4)岁。先由1名正畸专业主治医师和1名博士研究生(正畸工作年限分别为8和5年)进行人工定点,测量头影测量项目并进行初分类,再由1名正畸专业主任医师和1名主治医师(正畸工作年限均超过20年)进行核查,内容包含8项骨性和牙性诊断分类。数据按7∶2∶1的比例分别纳入训练集、验证集和测试集。使用开源DenseNet121网络(一种深度学习模型)构建头颅侧位X线片自动诊断分类模型。模型训练后,使用测试集计算模型的分类准确性、精确性、敏感性、特异性,输出受试者工作曲线并计算曲线下面积评估模型性能;输出热力图,可视化模型关注区域。
结果
成功构建头颅侧位X线片自动诊断分类模型,其对1张头颅侧位X线片作出8项诊断分类平均需要0.112 s。其中5项诊断分类的准确性为80%~90%,包括矢状骨面型、下颌发育、垂直骨面型、上前牙倾斜情况和下前牙突出情况;3项诊断分类的准确性为70%~80%,包括上颌发育、下前牙倾斜情况、上前牙突出情况。各项诊断分类的总体95%可信区间曲线下面积均≥0.90。热力图显示,分类成功的头颅侧位X线片的激活区域分布于分类相关结构区域。
结论
本项研究基于DenseNet121网络构建了头颅侧位X线片自动诊断分类模型,其可实现8项临床常用诊断项目的快速分类。
基于非刚性配准算法的上颌骨复合体三维数据自动定点研究高梓翔 王晶 温奥楠 朱玉佳 秦庆钊 王勇 赵一姣
中华口腔医学杂志2023年 58卷 06期
DOI: 10.3760/cma.j.cn112144-20230218-00053
目的
探索上颌骨复合体三维数据解剖标志点的自动定点方法,并初步评价其可重复性与准确性。
方法
从2021年6月至2022年12月就诊于北京大学口腔医学院·口腔医院口腔颌面外科的口腔疾病患者螺旋CT资料中,选取31例颅颌面骨骼形态大致正常者的螺旋CT资料,其中男性15例,女性16例,年龄(33.3±8.3)岁,通过Mimics软件对上颌骨复合体进行三维重建,通过Geomagic软件对上颌骨复合体三维数据进行网格优化。由2名主治医师和1名副主任医师对31例上颌骨复合体数据进行人工定点,确定24个解剖标志点,取3人定点均值作为专家定点结果。选择其中1例符合健康人颅颌面骨骼三维形态平均特征的上颌骨复合体数据作为模板数据,其余30例作为目标数据。采用MeshMonk开源程序(一种非刚性配准算法)将模板数据与目标数据基于4个标志点(鼻根点、左右颧弓最突点、前鼻棘点)进行初对齐,再将模板数据基于非刚性配准算法变形为目标数据的形状,得到变形后模板数据,基于模板数据变形前后同名标志点的索引不变特性,自动检索变形后模板数据各标志点坐标,以此作为目标数据同名标志点自动定点坐标,也即完成自动定点过程。30例目标数据的自动定点过程重复3次。计算变形后模板数据与目标数据的稠密对应点对(约25 000对)的三维偏差[均方根距离(root-mean-square distance,RMSD)],作为非刚性配准算法的变形误差,并分析非刚性配准算法3次变形误差的组内相关系数(intra-class correlation coefficient,ICC);计算24个解剖标志点自动定点结果与专家定点结果的直线距离作为自动定点误差,并分析3次自动定点三维坐标的ICC值。
结果
30例变形后模板数据与对应目标数据的三维偏差(RMSD)为(0.70±0.09)mm,非刚性配准算法3次变形误差的ICC值为1.00。24个解剖标志点自动定点误差为(1.86±0.30)mm,前鼻棘点自动定点误差最小,为(0.65±0.24)mm;左眶下缘点自动定点误差最大,为(3.27±2.28)mm;3次自动定点三维坐标ICC值均为1.00。
结论
本项研究建立了一种基于非刚性配准算法的上颌骨复合体三维数据自动定点方法,该方法应用于正常形态上颌骨复合体三维数据定点的准确性与可重复性较好。
基于深度学习的多分类正畸图像识别研究王少烽 谢贤聚 张莉 常荍 左飞飞 王亚杰 白玉兴
中华口腔医学杂志2023年 58卷 06期
DOI: 10.3760/cma.j.cn112144-20230305-00070
目的
基于深度学习开发用于正畸图像数据自动分类的多分类正畸图像识别模型,为正畸图像数据管理提供参考。
方法
收集2020年10至11月和2021年6至7月首都医科大学口腔医学院正畸科采集的35 000张正畸临床图像,图像全部来自于490例正畸治疗患者,男女性别比例为49∶51,年龄范围为4~45岁。根据纳入及排除标准进行数据清洗,最终纳入数据集中的图像数据包括面像17 453张(包括正面像、正面微笑像、右侧90°面像、左侧90°面像、右侧45°面像和左侧45°面像)、口内像8 026张[包括正面像、右侧像、左侧像、上颌面像(原始)、上颌面像(翻转后)、下颌面像(原始)、下颌面像(翻转后)、覆覆盖像]、X线片4 115张[包括头颅侧位X线片(左侧)、头颅侧位X线片(右侧)、头颅正位X线片、曲面体层X线片以及手腕骨X线片]、其他非正畸图像684张。由正畸专业博士研究生、副主任医师、主任医师共同组成标注团队,使用图像标注工具对正畸图像进行分类标注。图像类别包括6类面像、8类口内像、5类X线片以及其他图像,共计20种分类标签。每个标签的数据按8∶1∶1的比例利用Pthyon计算机语言中的Random函数随机分为训练集、验证集和测试集,使用改进的SqueezeNet网络(一种深度学习模型)进行训练,使用ImageNet自然图片开源数据集中的13 000张作为额外的非正畸图像进行异常数据处理的算法优化,构建基于深度学习模型的多分类正畸图像识别模型。根据测试集的预测结果,利用精确率、召回率、F1分数以及混淆矩阵作为正畸图像分类准确性的指标,评价该模型的预测能力。使用梯度加权分类激活映射方法生成热力图,验证该模型进行图像分类判断逻辑的可靠性。
结果
通过数据清洗和标签标注,共30 278张正畸图像纳入数据集。测试集分类结果显示,多数分类标签的精确率、召回率以及F1分数为100%,3 047张图像中仅5张分类错误,模型精确率达99.84%(3 042/3 047)。而异常数据处理的精确率达100%(10 500/10 500)。热力图显示,多分类正畸图像识别模型在图像分类过程中的判断依据与人类在判断该图像分类时基本一致。
结论
本项研究基于改进后的SqueezeNet网络构建了一种可用于20种正畸图像自动分类的多分类正畸图像识别模型,该模型的图像分类准确性较好。