A deep learning approach for dental implant planning in cone-beam computed tomography images

摘要

背景：本研究的目的是利用三维锥束计算机断层扫描(CBCT)图像评估人工智能(AI)系统在种植体规划中的成功性。

方法：本研究纳入75张CBCT图像。在这些图像中，使用InvivoDental 6.0 (Anatomage Inc.)人工评估方法，由人类观察员测量了508个需要种植体的区域的骨高度和骨厚度。圣何塞，加州，美国)。此外，还检测了与牙槽骨和缺失牙齿区域相关的管/窦/窝。随后，使用深度卷积神经网络(Diagnocat, Inc.， San Francisco, USA)重复所有评估。下颌分为下颌骨/上颌骨，每个下颌分为前/前磨牙/磨牙区。采用Bland-Altman分析和Wilcoxon符号秩检验对人工评估和人工智能方法获得的数据进行比较。

结果：人工智能与人工测量下颌骨前磨牙区、上颌骨前磨牙区、磨牙区骨高比较，差异无统计学意义(p>0.05)。在骨厚测量中，人工智能与人工测量在上颌和下颌骨各区域的差异有统计学意义(p<0.001)。牙根管检出率为72.2%，鼻窦/窝检出率为66.4%，缺失牙区检出率为95.3%。

结论:人工智能系统的发展及其在未来种植规划中的应用，将有助于医生的工作，并将成为医生在种植实践中的支持机制。

关键词：人工智能，种植体，种植体规划，牙科

1 背景

多年来，种植体一直是临床医生在全牙、部分牙和单牙全牙治疗中的首选方法[1-3]。在种植体手术前进行详细的计划，可以方便地将种植体放置在正确的位置并消除手术风险，从而提高治疗的成功率[4-6]。为此，在种植体手术中，使用各种放射技术来评估牙槽骨特征(骨质量、厚度和高度)和手术区域的解剖变化(如鼻窝、下颌管、颏孔和鼻窦)[4,5,7]。

全景x线片和口内x线片仍然在牙科种植实践中使用，以提供颌骨的概述并产生初步的想法;但这些x线摄影技术不足以详细规划种植体[4,8,9]。计算机断层扫描(CT)和锥束计算机断层扫描(CBCT)等横截面断层扫描为外科医生提供三维(3D)信息，目前被用作这些传统技术的替代方法[9]。CBCT设备用于牙颌面成像，具有比CT设备更实惠的价格和更小的设备尺寸。它还能以较低的辐射剂量和较短的扫描时间提供高质量的图像[4,9,10]。众所周知，CBCT设备在术前确定理想的种植体尺寸(即长度和宽度)以及在手术部位骨不足的情况下预测必要的额外手术(即引导组织再生，分裂，窦提升)方面非常成功[4,5,7,11]。然而，医生在CBCT图像解读方面的知识、技能和经验在进行详细的植入计划方面也发挥着非常重要的作用[12]。

人工智能(AI)是计算机科学的一个领域，旨在执行需要人类智能的各种特定功能。它模仿人类智能，并使用深度学习方法改进随着时间的推移而获得的这些特征[13]。在放射诊断诊所，利用人工智能提供了计算机辅助诊断(CAD)系统。近年来，该系统的发展在许多医学领域获得了发展势头，在牙科等卫生部门也得到了广泛应用[14,15]。深度卷积神经网络方法(deep convolutional neural network method, DCNN)是一种用于医学诊断图像的强大深度学习应用[16,17]。在文献研究中，该方法也可以处理更复杂的图像，如CBCT图像，已用于牙科的各种诊断，如牙齿编号、根尖周病变和下颌管检测[18-21]。

深度卷积神经网络方法： DCNN有时间学一下
这篇里的两个引用：
16. Han X. MR-based synthetic CT generation using a deep convolutional
neural network method. Med Phys. 2017;44:1408–19.
17. Miki Y, Muramatsu C, Hayashi T, Zhou X, Hara T, Katsumata A, et al. Classification of teeth in cone-beam CT using deep convolutional neural
network. Comput Biol Med. 2017;80:24–9.

许多专家和全科医生没有接受过放射图像评估方面的广泛培训，也没有能力详细规划植入物和解释解剖数据[10,22]。这种情况对牙科实践提出了挑战，仍在等待解决方案。在放射学解释中使用人工智能系统为医生提供了许多优势，并有助于解决这一问题。此外，它可以防止错误的诊断和治疗计划(这可能是由于工作强度，粗心大意或缺乏经验)，不必要的时间/工作量损失在牙科[12]。

据我们所知，文献中没有人工智能系统用于植入计划的研究。本研究的目的是验证基于深度卷积神经网络方法的人工智能系统在CBCT图像中植入规划的诊断性能并评估其可靠性

2 方法

2.1 患者选择和影像学

从eskiehir Osmangazi大学牙科学院的CBCT档案中获得的75例患者(2019年记录的有种植指征的病例)的CBCT图像被纳入研究。此外，还进行了508次测量(在缺牙和种植指征的区域)。对于研究程序，已收到非介入性临床研究伦理委员会的批准，并在每个阶段遵循赫尔辛基宣言的原则(决定日期和编号:08.07.2019和2019-220)。所有图像均使用相同的CBCT扫描仪(Promax 3D Mid;Planmeca，赫尔辛基，芬兰)和相同的条件。诊断设置如下:94 kVp, 14 mA, 360°旋转，27 s。

2.2 层析成像数据的评价

所有图像由具有至少8年专业经验的口腔颌面放射科医师(İ.Ş.B)将其转换为DICOM格式进行检查。下颌分为下颌骨和上颌骨，下颌分为前区和前磨牙区和磨牙区。前区包括犬齿和门齿。检测与牙槽骨相关的管/窦/窝并记录缺失的牙齿。

在缺牙区，采用InvivoDental 6.0 (Anatomage Inc.)人工评估方法测量骨高和骨厚。圣何塞，加州，美国)。换句话说，所有的评估都在种植体计划中进行;并考虑了解剖结构的局限性。

人工评估后，将所有文件随机上传到深度卷积神经网络(diagnostic, Inc.)，用于确定缺失牙齿区域的管/窦/窝和计算骨长/骨宽。通过人工评估和人工智能(AI)方法获得的数据进行比较。

2.3 模型管道

诊断AI系统根据多个预训练的全卷积网络和算法切片提取的管道准备植入计划报告。对种植计划至关重要的预测包括牙齿、颌骨、下颌管、上颌窦和缺牙的体素完美分割。

缺失的牙齿分割依赖于现有的牙齿和下颌的分割。缺失牙罩是一种虚拟牙罩，可以根据颌骨的位置、倾斜和位置提取邻近牙齿。它可以预测种植体放置的中远端角度，并为切片算法提供指导。种植体规划研究包括指定颌骨的全景重构和前庭口腔切片定位。使用牙齿、颌和下颌管分割来构建研究图像和组合分割掩码的全景带。研究中的所有切片都是从全景图像带的感兴趣区域(RoI)中提取的，用户选择步长默认为2mm，切片厚度默认为1体素。预测的目标(缺失)牙齿和邻近(潜在缺失)牙齿掩膜定义了RoI和近远端切片提取角度，显示了可能的种植体放置(图1)。

每个切片都有两到三次测量，提供关于可能植入物的大小和方向的信息。第一次测量显示牙槽骨的宽度。第二次测量显示从第一次测量线到种植方向上最近的障碍物的距离，该障碍物可以是下颌管，上颌窦或颌骨边缘。第三次测量仅在下颌骨情况下计算，显示了从第一次测量线的口腔末端到下颌骨边缘的垂直距离(图2)。

2.4 深度卷积神经网络的结构

诊断AI系统利用一组预训练的语义分割网络，该网络基于内部修改的全卷积3D U-Net架构[23]，以获得现有牙齿和解剖元素的体素完美分割掩模，并近似定位缺失牙齿。

2.5 一致性分析

测量是由同一名检查员完成的。在主考官第一次评估后一周内重复100次测量。通过这种方法，使用类内相关系数和评估者内部技术误差测量(TEM)计算来评估审查员之间的一致性和可靠性。骨厚度的类内相关系数(95%置信区间)为0.995 (0.992 ~ 0.997);骨高为0.996(0.994-0.997)。骨厚度测量的相对透射电镜为3.14(可接受)，可靠性为99.5%;骨高度测量的相对透射电镜为2.37(可接受)，可靠性为99.6%。

2.6 统计分析

采用SPSS 21.0软件包程序(SPSS 21.0软件包程序，Inc.， Chicago, IL)进行统计分析。正态性检验采用Kolmogorov-Smirnov检验。通过Wilcoxon sign‐rank检验和Bland-Altman分析比较人工评估和人工智能(AI)计算的测量值。p < 0.05为差异有统计学意义

3 结果

AI系统对管/窦/窝/缺牙检测的正确率频率见表1。下颌管检出率为72.2%，鼻窦/窝检出率为66.4%。508个缺失牙区中，正确检出484个(95.3%)，不正确检出24个(4.7%)。

人工智能系统和人工评估的骨高和骨厚测量值见表2。人工智能系统无法执行80个骨高度测量(因此，在428张图像上评估骨高度测量)和15个骨厚度测量(因此，在493张图像上评估骨厚度测量)。

在骨高度测量中，人工智能与人工测量在下颌骨前磨牙区、上颌骨前磨牙区、磨牙区差异无统计学意义(p > 0.05)。在骨厚测量中，人工智能与人工测量在上颌和下颌骨各区域的差异有统计学意义(p < 0.001)。Bland Altman测量图如图3和图4所示。人工系统与人工智能系统差异的置信区间见表3。

4 讨论

近年来，将AI用于医学疾病检测与分类、器官与病变分割等方面的研究显著增加[24,25]。随着所有这些发展，使用人工智能系统来解释牙科放射学中的放射图像也变得普遍[14,15,25]。在需要经验和专业知识的成像技术中使用计算机辅助系统，特别是CT和CBCT，将为医生提供极大的方便。但这方面还需要新的学术研究。鉴于这些信息，本研究的目的是在种植体计划中使用DCNN，这是牙科实践中流行的治疗选择。

在文献中，有研究报道了人工智能系统在各种牙科情况下的应用，如检测龋齿[26-29]、牙根骨折[30-32]、牙根形态[33]、颌骨病变[34]、牙周骨损伤[35-38]、根尖周病变[21]，以及确定牙齿及其编号[19,39]。这些研究是DCNN在牙科应用的先驱，它们是在各种放射图像上进行的分析，如根尖周、全景、咬翼头测像、CT和CBCT。然而，基于CT和CBCT的研究数量有限[25]。Johari等人在对CBCT图像的研究中发现，概率神经网络(PNN)方法可以成功地确定垂直根骨折[31]。Hiraiwa等人也报道了人工智能在CBCT中确定牙多根的结果可以接受[33]。此外，Orhan等人在CBCT图像的根尖周病变研究中报道，卷积神经网络(CNN)方法计算的体积测量值与人工测量值兼容，这种情况在未来很有前景[21]。
治疗计划是医学和牙科工作流程中最重要的步骤之一。为了治疗的成功，正确的诊断应该是先制定治疗方案，然后为患者制定理想的治疗方案。治疗计划是一个详细的组织过程;这取决于许多因素，如医生的知识经验[40]。近年来，人工智能系统已被用于支持医生在诊断和治疗计划中的决策过程。神经网络机器学习系统应用于放射治疗、正颌手术等多种治疗方案，取得了良好的效果[40-42]。众所周知，放射成像在种植牙的规划中起着重要的作用。建议在手术前使用三维成像系统检查手术部位，并在解剖变化允许的条件下通过一系列测量进行详细规划[5]。目前研究中评估的下颌管、鼻窦和鼻窝等结构是影响种植体规划的主要解剖变异。Kwak等。

最近报道了用CNN方法在CBCT图像中确定下颌管的成功结果，并指出这可能是未来牙科规划的一个机会[18]。同样，Fukuda等人在600张全景x线片上评估了下颌第三磨牙与下颌管的关系[43]。Jaskari等人使用CNN方法对所有CBCT图像进行下颌管分割。他们指出，人工智能系统在确定根管方面提供了敏感和可靠的结果，这些系统可能在未来种植计划中发挥重要作用[44]。

我们的研究结果与这些研究相似;其下颌管检测成功率为97.9%。

在本研究中，还进行了窦/窝和缺牙检测分析，观察到AI系统的成功率分别为66.4%和95.3%。可见，关于鼻窝检测的研究数量应该增加，系统应该改进。因为，随着人工智能系统中解剖结构检测成功率的提高，为植入物规划所做的测量将产生更多成功的结果。据我们所知，文献中还没有关于确定牙/窝和窦丢失的研究，这是第一次关于这一主题的研究。然而，一项在全景图像上确定鼻窦病变的研究已经开展，并报道了人工智能的成功结果[45]。

在本研究中，采用骨厚度和高度两项单独的测量来评估种植体计划的成功。研究结果表明，人工智能的骨厚度测量应该使用深度学习系统来改进。我们认为这可能是由于人工智能系统在评估骨厚度测量时的测量角度不正确。该系统对上颌鼻窝和下颌骨副管的检测灵敏度不高;这种情况在前区骨高度测量中造成了一些不相容。

虽然下颌管的测定是成功的，但发现这些区域的骨高度不能正确测定。我们认为这可能是因为系统没有考虑到种植体的直径和厚度。这一缺陷可能导致系统在测量时从根管的颊/舌侧绕过根管。因此，人工智能系统可以报告该区域的测量值高于应有值。

然而，可以看出，人工智能系统的结果与人工测量的结果一致，在上颌磨牙/前磨牙区域，以及在下颌骨前磨牙区域;这些结果为该系统在种植体规划中的可用性提供了希望。

5 结论

因此，在种植计划中使用这些系统将促进医生的工作，并将成为种植实践中的支持机制。本研究在窦/下颌管和缺牙检测方面的成功，以及它在种植计划中提供的测量，加强了这种可能性。需要进行更广泛的研究，通过人工智能评估环境解剖结构，以开发用于种植体规划的CNN系统。