Aufbau eines neuen automatischen Bewertungssystems für die Mineraldichte des Kieferknochens basierend auf Deep Learning mittels Kegelstrahl-Computertomographie

Wissenschaftliche Berichte Band 12, Artikelnummer: 12841 (2022) Diesen Artikel zitieren

1295 Zugriffe

1 Zitate

4 Altmetrisch

Details zu den Metriken

Entwicklung und Verifizierung einer automatischen Klassifizierungsmethode unter Verwendung von Deep Learning mit künstlicher Intelligenz, um die Knochenmineraldichte der Implantatstelle in der oralen Implantatchirurgie anhand von Röntgendaten zu bestimmen, die aus Bildern der Kegelstrahl-Computertomographie (CBCT) gewonnen wurden. Siebzig Patienten mit Defekten im Unterkiefergebiss wurden mittels DVT gescannt. Diese Daten zu digitaler Bildgebung und Kommunikation in der Medizin wurden in 605 Trainingssätze zerlegt, und dann wurden die Daten mit Datenstandardisierung verarbeitet, und das Werteniveau der Hounsfiled Unit (HU) wurde wie folgt bestimmt: Typ 1, 1000–2000; Typ 2, 700–1000; Typ 3, 400–700; Typ 4, 100–400; und Typ 5, − 200–100. Vier geschulte Zahnimplantatärzte identifizierten und klassifizierten manuell den Bereich der Kieferknochendichte im Bild mithilfe der Software LabelMe. Mithilfe des von LabelMe generierten HU-Werts bestätigte dann ein Arzt mit 20 Jahren klinischer Erfahrung den Kennzeichnungsgrad. Abschließend wurden die HU-Mittelwerte verschiedener von Zahnimplantatärzten markierter Kategorien mit den vom Modell der künstlichen Intelligenz ermittelten Mittelwerten verglichen, um die Genauigkeit der Klassifizierung der künstlichen Intelligenz zu beurteilen. Nachdem das Modell auf 605 Trainingssätzen trainiert wurde, entsprachen die statistischen Ergebnisse der HU-Mittelwerte verschiedener Kategorien im vom Modell erkannten Datensatz nahezu dem HU-Bewertungsintervall in der Datenanmerkung. Diese neue Klassifizierung bietet eine detailliertere Lösung, die Chirurgen dabei hilft, die Bohrgeschwindigkeit und die Werkzeugauswahl während der präoperativen Entscheidungsfindung und der intraoperativen Lochvorbereitung für orale Implantatchirurgie anzupassen.

Klinisch besteht kein klarer Konsens über die Definition der Knochenqualität, aber im Allgemeinen umfasst sie viele Aspekte wie den Grad der Knochenmineralisierung sowie die Form und Art der Knochenbälkchen. Die derzeit am weitesten verbreitete Klassifizierung der Kieferknochenqualität ist die von Lekholm und Zarb im Jahr 1985 vorgeschlagene vier Arten der Kieferklassifizierung1, bei der die Kieferknochen entsprechend der Menge an kortikalem Knochen und Spongiosa in einen von vier Typen unterteilt werden radiologische Bilder des Kiefers2: Knochen vom Typ I gelten als am wenigsten vaskulär und am homogensten, Typ II ist eine Kombination aus kortikalem Knochen und einer Markhöhle, Typ III besteht überwiegend aus Trabekelknochen und Typ IV wird als sehr dünn beschrieben Kortex und Trabekel geringer Dichte. Allerdings beschränkt sich die bestehende Bewertungsmethode auf die Einstufung der Knochenqualität. Dies ist im Rahmen der Implantatchirurgie von Nachteil, da dort häufig Knochen unterschiedlicher Dichte in einem Bereich zu beobachten sind. Daher kann die alleinige Verwendung dieses Klassifizierungssystems zu einem Versatz der Implantatstelle oder einem Torsionsverlust während der Implantatinsertion führen. Wir glauben, dass das ultimative Ziel der Knochenklassifizierung in der oralen Implantatchirurgie darin besteht, zu einem umfassenderen Verständnis des Implantatlagerbereichs zu gelangen, um dem Chirurgen bei der Entscheidung über die Größe der Hohlraumpräparation und die Wahl des Implantatdurchmessers während der Implantation zu helfen. Darüber hinaus wird ein verbessertes Knochenklassifizierungssystem dazu beitragen, die Anfangsstabilität des Implantats und die Bohrfestigkeit während der Operation zu verbessern.

In dieser Studie wurde eine Deep-Learning-Methode der künstlichen Intelligenz eingesetzt, um die Knochendichtetypen an verschiedenen Stellen der Implantationsstellen aus den radiologischen Daten zu bestimmen, die aus Bildern der Kegelstrahl-Computertomographie (CBCT) gewonnen wurden, um so eine detailliertere Klassifizierung der Knochendichte zu ermöglichen Reichweite. Diese Methode kann auch die Genauigkeit der Beurteilung des Grades der Knochenmineraldichte verbessern und die Möglichkeit von Fehlern bei der individuellen subjektiven Beurteilung verringern. Basierend auf dieser Methode wurde eine automatische Klassifizierungsmethode entwickelt und verifiziert sowie ein neuer Klassifizierungsstandard für Kieferknochen vorgeschlagen. Der Kieferknochen wird in fünf Typen unterteilt, wobei Typ 1 der dichteste und Typ 5 der lockerste ist. Die Auswahl an Knochentypen wird durch den Einsatz eines Big-Data-Systems mit künstlicher Intelligenz automatisch kalibriert, um Ärzte bei implantatchirurgischen Eingriffen besser zu unterstützen.

Datenkennzeichnung und -verarbeitung: Siebzig Patienten mit Defekten im Unterkiefergebiss, die von März 2020 bis September 2020 im Affiliated Dental Hospital der Fujian Medical University behandelt wurden, wurden ausgewählt und mit CBCT (KAVO i-CAT) gescannt. Die 70 DICOM-Daten wurden extrahiert und in das Vorverarbeitungsprogramm für das vertikale Sagittalbogenschneiden importiert, wobei pro Datensatz etwa 10 Teile geschnitten wurden, und es wurden schließlich 605 Trainingssätze erhalten. Die erkannten Kieferknochentypen waren gemäß den HU-Werten wie folgt: Typ 1, 1000–2000; Typ 2, 700–1000; Typ 3, 400–700; Typ 4, 100–400; und Typ 5, − 200–100. Zunächst wurde eine Datenstandardisierung durchgeführt. Erfahrungsgemäß wurden HU-Werte im Bereich von −200–2000 ermittelt. Werte, die über dem Maximalwert liegen, wurden als Maximalwert festgelegt, und Werte, die unter dem Minimalwert liegen, wurden als Minimalwert festgelegt. Zur Vereinfachung der Beschriftung wurde die DICOM-Datenzuordnung in das PNG-Format konvertiert und in das grafische Bildanmerkungstool LabelMe 4.5.6 importiert. Vier geschulte Zahnimplantatärzte kombinierten die HU-Werte der Schichten, um den Bereich der Kieferknochendichte im Bild manuell zu identifizieren und zu kennzeichnen (Abb. 1). Anschließend bestätigte ein Arzt mit 20 Jahren klinischer Erfahrung die Kennzeichnungsstufe anhand des HU-Werts der LabelMe-Software als Leitfaden. Die zufällige Auswahl der Bilder wurde fünfmal wiederholt, um zu bestätigen, dass die Klassifizierungen korrekt waren. Darüber hinaus wurde jeder Bewerter mit der Referenzstandardklassifizierung verglichen, um die Wirksamkeit der subjektiven Klassifizierung zu bewerten. Die Datensätze wurden im Verhältnis 9:1 in Trainingssätze und Testsätze unterteilt.

Modellkonstruktion: In der aktuellen Studie haben wir Nested-UNet3 als Rückgrat zum Extrahieren und Zusammenführen von Multiskaleninformationen ausgewählt, um die entsprechenden semantischen Segmentierungsergebnisse zu ermitteln. Bei verschachteltem UNet werden verschiedene Ebenen von UNet4 gestapelt, wobei durch das Hinzufügen dichter kurzer Verknüpfungen (obere und untere Stichprobe) eine bessere Kombination von Tiefen- und Flachmerkmalen sowie eine bessere Merkmalsextraktionsleistung als bei UNet erzielt werden (Abb. 2).

Anmerkungsbild zur Knochendichte.

Modellstruktur von UNet und Nested-UNet.

Basierend auf Nested U-net haben wir den entsprechenden Verlust mithilfe des „Pixel-Levels“ von „FocalLoss“5 (1) und des Class-Levels von Diceloss (2) optimiert und dann zwei Verluste entsprechend einem bestimmten Gewicht (3) verwendet. der Gesamtverlust, der sich aus der gewichteten Funktion ergibt. Die alleinige Verwendung von Diceloss verringert die Trainingsstabilität. Durch das Hinzufügen von FocalLoss kann das Ungleichgewicht zwischen positiven und negativen Stichproben behoben und die Konvergenz beschleunigt werden. Die Optimierung durch zwei verschiedene Verlustdimensionen kann dem Modell auch dabei helfen, die Aufgabe besser zu verstehen.

In Gl. In 1 stellt y die Bezeichnung und y' die Vorhersageergebnisse dar. Der Ausgleichsfaktor \(\alpha\) wird verwendet, um das ungleiche Verhältnis von positiven und negativen Proben auszugleichen. Der Koeffizient \(\gamma\) kann den Verlust leicht zu teilender Proben reduzieren. Konzentrieren Sie sich auf schwierige Proben.

A und B repräsentieren das vorhergesagte Ergebnis bzw. die Ground Truth (GT). \(\left| {A \cap B} \right|\) ist der Schnittpunkt von AB, und \(\left| A \right|\left| B \right|\) repräsentiert die Anzahl der Elemente von A und B , jeweils.

Darüber hinaus haben wir das Datenverbesserungsmodul optimiert und Vorgänge wie zufällige Rotation und Skalierung der Daten durchgeführt, um die Robustheit des Modells zu verbessern. Schließlich wurden die Segmentierungsergebnisse von den entsprechenden verbundenen Domänen verarbeitet, um die endgültigen Segmentierungsergebnisse zu erhalten.

Diese Studie wurde im Einklang mit den Grundsätzen der Deklaration von Helsinki durchgeführt. Die Genehmigung wurde von der Ethikkommission für biomedizinische Forschung des Affiliated Stomatological Hospital der Fujian Medical University erteilt (Datum 8.9.2021/Nr.60).

Die Einverständniserklärung aller in die Studie einbezogenen Einzelteilnehmer wurde eingeholt.

Nachdem das Modell auf 605 Trainingssätzen trainiert wurde, konnte der durchschnittliche Würfelwert jeder Kategorie auf 68 Testsätzen einen Maximalwert von 0,75 erreichen.

Die 68 Testsätze wurden gezählt, und die statistischen Ergebnisse des von Ärzten beschrifteten HU-Mittelwerts und des vom Modell ermittelten HU-Mittelwerts sind in Tabelle 1 dargestellt. Es ist ersichtlich, dass der mittlere HU-Wert aller Kategorien in den Testergebnissen des neuronalen Netzwerks vorliegt entspricht nahezu dem von Ärzten angegebenen HU-Bewertungsintervall.

Die Ergebnisse der Analyse und des Vergleichs zwischen der von Ärzten angegebenen Standardabweichung des HU-Werts und der vom Modell vorhergesagten Standardabweichung sind in Tabelle 2 dargestellt. Es ist ersichtlich, dass bei der Vorhersage jeder Kategorie durch das Modell die Standardabweichung des HU-Werts zunimmt in dieser Kategorie stimmte mit der Standardabweichung der von Ärzten angegebenen Kategorie überein. Dies weist darauf hin, dass das Modell gelernt hat, dass der HU-Wert jedes Knochenmineraldichteniveaus innerhalb eines bestimmten Bereichs ohne übermäßige Abweichung schwanken sollte.

Der Erkennungseffekt ist in Abb. 3 dargestellt (die Typen 1–5 werden jeweils durch Rot, Gelb, Grün, Blau und Lila dargestellt).

Abschnitt über die Knochenmineraldichte und ihre Identifikationseffektkarte. Von links nach rechts sind das Originalbild, das Arztetikett und die Modellidentifikationseffektkarte zu sehen.

Innerhalb der künstlichen Intelligenz (KI) hat sich maschinelles Lernen als Methode der Wahl für die Entwicklung praktischer Software für Computer Vision, Spracherkennung, Verarbeitung natürlicher Sprache, Robotersteuerung und andere Anwendungen herausgestellt6. Da Entscheidungen auf der Grundlage der Kombination von Computerverarbeitung von Daten und Algorithmen getroffen werden, kann KI die Genauigkeit verbessern und die Wahrscheinlichkeit von Fehlern im Vergleich zu Menschen in derselben Situation verringern. Darüber hinaus werden Maschinen im Gegensatz zu Menschen nicht von subjektiven Faktoren wie emotionalen Faktoren, mentalem Zustand und persönlicher Erfahrung beeinflusst, sodass die Effizienz von Maschinen bei der Bewältigung von Problemen erheblich verbessert wird, was es ermöglicht, schnell richtige Entscheidungen zu treffen. Die Kombination von KI, beispielsweise im Rahmen von Diagnose- und Behandlungsverfahren, kann das Risiko einer Fehldiagnose erheblich reduzieren.

Künstliche Intelligenz wurde im Bereich der Zahnmedizin ausführlich untersucht. Tatsächlich analysierten Lu et al.7 mithilfe künstlicher Intelligenz (Deep Learning) Proben von 36 Patienten mit Kopf-Hals-Tumoren und erstellten mithilfe hyperspektraler Bildgebungstechnologie ein Modell künstlicher Intelligenz. Diese Technologie kann die Grenzen von Kopf-Hals-Tumoren mit einer Genauigkeit von bis zu 91 % vorhersagen, was deutlich besser ist als die herkömmliche Fluoreszenz-Bildgebungstechnologie. In einem anderen künstlichen Intelligenzsystem, das sich auf die Früherkennung von Tumoren konzentriert, kombinierten Uthoff et al.8 Fluoreszenz-Bildgebungstechnologie mit künstlicher Intelligenz, um ein Früherkennungsgerät für orale Tumoren zu entwickeln. Durch die Erfassung natürlicher Bilder und Fluoreszenzbilder von intraoralem Gewebe in Kombination mit KI können Patienten mit Krebs im Frühstadium schneller und einfacher identifiziert werden, mit einer Vorhersagegenauigkeit von bis zu 80 %. Auf dem Gebiet der Stomatologie verwendeten der japanische Wissenschaftler Hiraiwa et al.9 die Bilddaten von 760 ersten Molaren des Unterkiefers in einem Modell der künstlichen Intelligenz, um das Vorhandensein doppelter distaler Wurzeln mit einer Genauigkeit von 86,9 % vorherzusagen. Darüber hinaus gibt es umfangreiche Studien zur Anwendung künstlicher Intelligenz bei der Vorhersage des parodontalen Läsionszustands, der Vorhersage von Tumorlymphknotenmetastasen und der Hilfskolorimetrie bei ästhetischen Reparaturen.

Der Einsatz künstlicher Intelligenz in Kombination mit Big Data ermöglicht es Forschern, aus klinischen Daten auf Bevölkerungsebene eine Momentaufnahme der realen Welt zu erstellen. Darüber hinaus werden als leistungsstarke Datennetzwerkverbindung zuvor isolierte Datensätze zwischen verschiedenen Bereichen mit Big Data integriert, um neue Möglichkeiten für die Entdeckung biologischer Manifestationen, Forschungsfortschritte und klinische Zusammenhänge von Krankheiten zu schaffen10.

Die derzeit am weitesten verbreitete Einstufung des Kiefers wurde 1985 von Lekholm und Zarb1 vorgeschlagen, wobei die Einstufung in vier Kategorien entsprechend dem Anteil von kompaktem Knochen und spongiösem Knochen unterteilt wird. Allerdings ist diese Klassifizierungsmethode nicht ausreichend genau, was sich in der Schwierigkeit widerspiegelt, zwischen Knochen vom Typ II und Knochen vom Typ III zu unterscheiden11. Darüber hinaus ist diese Klassifizierungsmethode auf die Klassifizierung der Knochenqualität beschränkt, die auf der gesamten Klassifizierung des Kieferblocks basiert und nicht den Knochenzustand des lokalen Teils des Kiefers oder anderer spezifischer Stellen widerspiegelt.

Im Jahr 2018 schlugen Asama et al.12 eine überarbeitete L&Z-Klassifikation (Lekholm und Zarb) vor, die alle möglichen Kombinationen von kompaktem Knochen und spongiösem Knochen berücksichtigte. Obwohl kompakter Knochen und spongiöser Knochen mit hoher Wiederholgenauigkeit klar unterschieden werden können, reicht dies nicht aus, um den Implantationsprozess direkt zu steuern.

Im Jahr 1994 teilten Klemetti et al.13 den Unterkiefer in drei Kategorien ein, basierend auf der Röntgenmorphologie des unteren Randes des Unterkiefers auf der oralen Oberflächenschicht: Cl, der endostale Rand der Kortikalis war auf beiden Seiten gleichmäßig und scharf; C2, der endostale Rand wies semilunäre Defekte auf (lakunäre Resorption) oder schien auf einer oder beiden Seiten endostale kortikale Rückstände (ein bis drei Schichten) zu bilden; und C3, die kortikale Schicht bildete schwere endostale kortikale Rückstände und war eindeutig porös. Statistische Untersuchungen großer Datensätze zeigten, dass eine positive Korrelation zwischen der Mineraldichte der Knochen und den Veränderungen in der Unterkieferrinde besteht. Dennoch liefern Panoramabilder zu wenig Informationen, um das Osteoporoserisiko definitiv zu diagnostizieren.

Später entwickelten Nicolielo et al.14 eine computergestützte automatische Knochenklassifizierungsmethode. Gemäß den durch CBCT erhaltenen trabekulären Knochenparametern wurden alle Knochenregionen in drei Trabekelmusterklassen (spärlich, mittelmäßig und dicht) klassifiziert und morphometrische Parameter wurden zur automatischen Klassifizierung der Trabekelmuster verwendet. Diese Methode weist eine höhere Wiederholungstestkonsistenz und -zuverlässigkeit auf. Die vorgeschlagene Klassifizierung ist jedoch relativ allgemein und erfordert eine künstliche Nachuntersuchung vor der Implantation.

Einige Wissenschaftler klassifizieren den Kiefer nach dem Handgefühl während des Bohrvorgangs. Greenstein et al.15 teilten die Backen anhand der taktilen Rückmeldung des 2-mm-Spiralbohrers in vier Typen ein: D1 fühlt sich an, als würde man in Eiche oder Ahorn bohren, D2 fühlt sich an, als würde man in Kiefer oder Fichte bohren, D3 fühlt sich an, als würde man in Balsaholz bohren, und D4 fühlt sich an, als würde man in Styropor bohren. Diese Methode kann den nachfolgenden Implantationsvorgang entsprechend dem Gefühl beim Bohren steuern. Da es den meisten Ärzten jedoch an Erfahrung beim Bohren von Holz mit unterschiedlichen Texturen mangelt und durch das Vertrauen in die Haptik beträchtliche chirurgische Erfahrung gewonnen wird, wird die Klassifizierung des Handgefühls nicht allgemein akzeptiert.

Die traditionelle Kieferklassifizierung konzentriert sich auf unterschiedliche Knochentypen in verschiedenen Regionen des Kiefers, und es mangelt weiterhin an der Analyse verschiedener Positionen in derselben Region. Die neue Klassifizierung des Kieferknochens kann diese Lücke bis zu einem gewissen Grad schließen, indem sie die präoperative diagnostische Bewertung und die intraoperative Entscheidungsfindung abdeckt und so die Schwierigkeit der Entscheidungsfindung bei der Implantation verringert.

Die neue Klassifikation unterteilt die Kieferknochendichte von hoch nach niedrig (Typ 1–5) entsprechend dem HU-Wert der DVT. Knochen vom Typ 1 sind am dichtesten, weshalb in diesen Fällen auf die Blutversorgung an der Implantationsstelle und die Kühlung während der Implantatvorbereitung geachtet werden sollte. Knochen vom Typ 5 sind am lockersten, was darauf hinweist, dass auf die anfängliche Stabilität des Implantats und die Möglichkeit eines Osseointegrationsversagens des Implantats bei diesem Knochentyp geachtet werden sollte.

Das hier beschriebene neue Klassifizierungssystem ist ein Klassifizierungssystem mit künstlicher Intelligenz, das als Leitfaden für die klinische Implantationsentscheidung entwickelt wurde. Für Deep Learning des Modells wird künstliche Intelligenz eingesetzt, um die Genauigkeit der Klassifizierung zu verbessern. Diese Technik hat großes Potenzial, die Anwendung der Präzisionsmedizin im Bereich der oralen Implantologie zu demonstrieren. Der Grundstein der Präzisionsmedizin ist natürlich die Fähigkeit, präzise Diagnosen auf der Grundlage einer mechanistisch fundierten Taxonomie zu stellen, und die Konsistenz der Ergebnisse kann durch maschinelle Klassifizierung gewährleistet werden16. Nachdem die Analyse der künstlichen Intelligenz die Qualitätsklassifizierung des Kieferknochens bestimmt hat, kann sie direkt einen angemessenen Plan für den Implantationsprozess vorschlagen, der die Genauigkeit des klinischen Betriebs verbessert.

Diese neue Klassifizierung bietet eine verfeinerte Lösung für die Implantatchirurgie. In der klinischen Praxis werden an Implantationsstellen häufig Unterschiede in der Kieferknochendichte in kiefer-gingivaler, mesiodistaler und bukkal-lingualer Richtung festgestellt. Somit kann die Bohrnadel leicht von der präoperativen Designposition in horizontaler Richtung zum weniger osteoporotischen Teil und zum vertikal nach oben gerichteten Teil abweichen. Dies ist häufig auf eine unbeabsichtigte Perforation zurückzuführen, die durch einen plötzlichen Rückgang der Knochenmasse oder einen starken Anstieg der Temperatur des Bohrkopfes aufgrund der Zunahme der Knochendichte verursacht wird, was wiederum die Osseointegration beeinträchtigt. Das traditionelle Klassifizierungsmodell kann dem Chirurgen nicht die spezifische Verteilungsposition der unterschiedlichen Dichten der Kieferknochen liefern, was zu Fehleinschätzungen des Chirurgen während des Implantationsprozesses führen kann. Mit der neuen Kieferklassifizierung können jedoch lockere oder verdichtete Stellen im Kiefer eindeutig identifiziert werden. In Kombination mit der herkömmlichen Messung und Analyse von Bilddaten kann es Ärzten dabei helfen, die Bohrgeschwindigkeit und die Auswahl der Bohrwerkzeuge im Prozess der präoperativen Entscheidungsfindung und der intraoperativen Lochvorbereitung anzupassen. Beispielsweise kann bei der Anwendung der computergestützten Implantatchirurgie (Implantatnavigationschirurgie/schablonengeführte Implantatchirurgie) die Technologie verwendet werden, um die Dichte verschiedener Bereiche des Kieferknochens anzuzeigen, die zur Führung der optimalen drei- dimensionale Lage des Implantats.

Was die Grenzen dieser Methode anbelangt, so mangelt es der neuen Klassifizierungsmethode an klinischen prospektiven Studien, die ihre praktische Durchführbarkeit bestätigen. Daher ist es notwendig, eine neue Art der Kieferknochenklassifizierung zu verwenden, um den Zusammenhang zwischen der anfänglichen Stabilität des Implantats und dem Widerstand gegenüber der Kavität zu beurteilen. Daher ist weitere Forschung erforderlich, einschließlich der Nutzung von Big Data mit künstlicher Intelligenz, um die epidemiologischen Eigenschaften verschiedener Kieferknochentypen und Kieferknochentypen in verschiedenen Regionen der Bevölkerung zu untersuchen.

Die im Rahmen der aktuellen Studie analysierten Datensätze sind auf begründete Anfrage beim entsprechenden Autor erhältlich.

Li, J. et al. Beziehungen zwischen Knochenqualität, Implantat-Osseointegration und Wnt-Signalisierung. J. Dent. Res. 96(7), 822–831. https://doi.org/10.1177/0022034517700131 (2017).

Artikel CAS PubMed PubMed Central Google Scholar

Lekholm, U. & Zarb, GA Patientenauswahl und -vorbereitung (Quintessence, 1985).

Google Scholar

Zhou, Z., Siddiquee, MMR, Tajbakhsh, N. & Liang, J. Unet++: Eine verschachtelte U-Net-Architektur für die medizinische Bildsegmentierung. In Deep Learning in der medizinischen Bildanalyse und multimodalem Lernen zur klinischen Entscheidungsunterstützung 3–11. Springer. https://doi.org/10.1007/978-3-030-00889-5_1 (2018).

Ronneberger, O., Fischer, P., Brox, T. U-net: Faltungsnetzwerke für die biomedizinische Bildsegmentierung. In International Conference on Medical Image Computing and Computer-Assisted Intervention 234–241. Springer. https://doi.org/10.1007/978-3-319-24574-4_28 (2015).

Lin, TY, Goyal, P., Girshick, R., He, K. & Dollar, P. Fokusverlust für die Erkennung dichter Objekte. Proz. IEEE Int. Konf. Berechnen. Vis. https://doi.org/10.1109/TPAMI.2018.2858826 (2017).

Artikel Google Scholar

Jordan, MI & Mitchell, TM Maschinelles Lernen: Trends, Perspektiven und Aussichten. Wissenschaft 349(6245), 255–260. https://doi.org/10.1126/science.aaa8415 (2015).

Artikel ADS MathSciNet CAS PubMed MATH Google Scholar

Lu, G. et al. Erkennung von chirurgischen Proben von Kopf- und Halskrebs mithilfe quantitativer hyperspektraler Bildgebung. Clin Cancer Res 23(18), 5426–5436. https://doi.org/10.1158/1078-0432.CCR-17-0906 (2017).

Artikel CAS PubMed PubMed Central Google Scholar

Uthoff, RD et al. Point-of-Care, Smartphone-basiertes Mundkrebs-Screeninggerät mit Dual-Modalität, Dual-View und neuronaler Netzwerkklassifizierung für ressourcenarme Gemeinden. PLoS ONE 13(12), e0207493. https://doi.org/10.1371/journal.pone.0207493 (2018).

Artikel PubMed PubMed Central Google Scholar

Hiraiwa, T. et al. Ein Deep-Learning-System mit künstlicher Intelligenz zur Beurteilung der Wurzelmorphologie des ersten Molaren des Unterkiefers im Panorama-Röntgenbild. Dentomaxillofac. Radiol. 48(3), 20180218. https://doi.org/10.1259/dmfr.20180218 (2019).

Artikel PubMed Google Scholar

Kee, YN & Ing, WK Big Data und maschinelle Lernalgorithmen für die Gesundheitsversorgung. Lancet Oncol. 20(6), 293. https://doi.org/10.1016/S1470-2045(19)30149-4 (2019).

Artikel Google Scholar

Shahlaie, M., Gantes, B., Schulz, E., Riggs, M. & Crigger, M. Knochendichtebewertung von Zahnimplantatstellen: 1. Quantitative Computertomographie. Int. J. Oral Maxillofac. Implantate 18(2), 224–231. https://doi.org/10.1007/s00384-002-0456-x (2003).

Artikel PubMed Google Scholar

Al-Ekrish, AA, Widmann, G. & Alfadda, SA Überarbeitete, computertomographiebasierte Lekholm- und Zarb-Kieferknochenqualitätsklassifizierung. Int. J. Prosthodont. 31(4), 342–345. https://doi.org/10.11607/ijp.5714 (2018).

Artikel PubMed Google Scholar

Klemetti, E., Kolmakov, S. & Kröger, H. Pantomographie zur Beurteilung der Osteoporose-Risikogruppe. Scan. J. Dent. Res. 102(1), 68–72. https://doi.org/10.1111/j.1600-0722.1994.tb01156.x (1994).

Artikel CAS PubMed Google Scholar

Nicolielo, LFP, Van, DJ, van Lenthe, GH, Lambrichts, I. & Jacobs, R. Die computergestützte automatische Klassifizierung des Trabekelknochenmusters kann die radiologische Beurteilung der Knochenqualität an der Zahnimplantatstelle unterstützen. Br. J. Radiol. https://doi.org/10.1259/bjr.20180437 (2018).

Artikel PubMed PubMed Central Google Scholar

Greenstein, G., Cavallaro, J., Greenstein, B. & Tarnow, D. Behandlungsplanung für Implantologie mit einem 2-mm-Spiralbohrer. Compend. Fortsetzung. Educ. Delle. 31(2), 126–128 (2010) (130, 132 Passagen; Quiz 137–138).

PubMed Google Scholar

Divaris, K. Grundlagen der Präzisionsmedizin. Compend. Fortsetzung. Educ. Delle. 38(8 Suppl), 30–32 (2017).

PubMed PubMed Central Google Scholar

Referenzen herunterladen

Diese Arbeit wurde vom Medical Innovation Program der Fujian Health and Family Planning Commission (Nr. 2021CXA035) und dem Fuzhou Major Science and Technology Project „Revealing the List and Taking Command“ (2021-ZD-286) unterstützt. Wir danken LetPub (www.letpub.com) für seine sprachliche Unterstützung bei der Erstellung dieses Manuskripts.

Diese Autoren haben gleichermaßen beigetragen: Yanjun Xiao und Qihui Liang.

Fujian Key Laboratory of Oral Diseases und Fujian Provincial Engineering Research Center of Oral Biomaterial and Stomatological Key Lab des Fujian College and University, School and Hospital of Stomatology, Fujian Medical University, Fuzhou, Fujian, China

Yanjun Xiao

Newland Digital Technology Co., Ltd., Fuzhou, Fujian, China

Qihui Liang, Xuezhi He & Lin Lin

Fujian Provincial Engineering Research Center of Oral Biomaterial, School and Hospital of Stomatology, Fujian Medical University, Fuzhou, Fujian, China

Lin Zhou

Institut für Stomatologie und Forschungszentrum für zahnärztliche und kraniofaziale Implantate, Schule und Krankenhaus für Stomatologie, Fujian Medical University, Fuzhou, Fujian, China

Lingfeng Lv, Guo Jianbin und Dong Wu

Stomatologisches Schlüssellabor des Fujian College and University, Schule und Krankenhaus für Stomatologie, Fujian Medical University, Fuzhou, Fujian, China

Jiang Chen

Fujian Key Laboratory of Oral Diseases, Fujian Medical University, Schule und Krankenhaus für Stomatologie, Fujian Medical University, Fuzhou, Fujian, China

Su Endian

Forschungszentrum für Zahn- und kraniofaziale Implantate, Schule und Krankenhaus für Stomatologie, Fujian Medical University, Fuzhou, Fujian, China

Dongwu

Sie können diesen Autor auch in PubMed Google Scholar suchen

YX trug zur Konzeption/Design, zur kritischen Überarbeitung des Artikels und zur Genehmigung des Artikels bei. QL trug zur Konzeption/Design, zur Datenerfassung und zum Verfassen eines Artikels bei. LZ trug zur Datenerfassung, kritischen Überarbeitung des Artikels und Genehmigung des Artikels bei. XH war an der Erstellung von Modellen und der Konzeption/Gestaltung des Artikels beteiligt. LL trug zur Durchführung des Experiments, zur Datenerfassung und zur Gestaltung des Artikels bei. JC war an der Konzeption/Gestaltung sowie der kritischen Überarbeitung und Genehmigung des Artikels beteiligt. SE war an der Konzeption/Gestaltung/Genehmigung des Artikels beteiligt. GJ trug maßgeblich zur Analyse und Manuskripterstellung bei. DW trug maßgeblich zur Analyse und Manuskripterstellung bei. LL half mit konstruktiven Diskussionen bei der Durchführung der Analyse. Alle Autoren kommentierten frühere Versionen des Manuskripts. Alle Autoren haben das endgültige Manuskript gelesen und genehmigt.

Korrespondenz mit Dong Wu oder Lin Lin.

Die Autoren geben an, dass keine Interessenkonflikte bestehen.

Springer Nature bleibt neutral hinsichtlich der Zuständigkeitsansprüche in veröffentlichten Karten und institutionellen Zugehörigkeiten.

Open Access Dieser Artikel ist unter einer Creative Commons Attribution 4.0 International License lizenziert, die die Nutzung, Weitergabe, Anpassung, Verbreitung und Reproduktion in jedem Medium oder Format erlaubt, sofern Sie den/die Originalautor(en) und die Quelle angemessen angeben. Geben Sie einen Link zur Creative Commons-Lizenz an und geben Sie an, ob Änderungen vorgenommen wurden. Die Bilder oder anderes Material Dritter in diesem Artikel sind in der Creative Commons-Lizenz des Artikels enthalten, sofern in der Quellenangabe für das Material nichts anderes angegeben ist. Wenn Material nicht in der Creative-Commons-Lizenz des Artikels enthalten ist und Ihre beabsichtigte Nutzung nicht gesetzlich zulässig ist oder über die zulässige Nutzung hinausgeht, müssen Sie die Genehmigung direkt vom Urheberrechtsinhaber einholen. Um eine Kopie dieser Lizenz anzuzeigen, besuchen Sie http://creativecommons.org/licenses/by/4.0/.

Nachdrucke und Genehmigungen

Xiao, Y., Liang, Q., Zhou, L. et al. Aufbau eines neuen automatischen Bewertungssystems für die Mineraldichte des Kieferknochens basierend auf Deep Learning mittels Kegelstrahl-Computertomographie. Sci Rep 12, 12841 (2022). https://doi.org/10.1038/s41598-022-16074-w

Zitat herunterladen

Eingegangen: 29. März 2022

Angenommen: 04. Juli 2022

Veröffentlicht: 27. Juli 2022

DOI: https://doi.org/10.1038/s41598-022-16074-w

Jeder, mit dem Sie den folgenden Link teilen, kann diesen Inhalt lesen:

Leider ist für diesen Artikel derzeit kein Link zum Teilen verfügbar.

Bereitgestellt von der Content-Sharing-Initiative Springer Nature SharedIt

Wissenschaftliche Berichte (2023)

Durch das Absenden eines Kommentars erklären Sie sich damit einverstanden, unsere Nutzungsbedingungen und Community-Richtlinien einzuhalten. Wenn Sie etwas als missbräuchlich empfinden oder etwas nicht unseren Bedingungen oder Richtlinien entspricht, kennzeichnen Sie es bitte als unangemessen.

Blog

Aufbau eines neuen automatischen Bewertungssystems für die Mineraldichte des Kieferknochens basierend auf Deep Learning mittels Kegelstrahl-Computertomographie