|
|
3.
基于深度学习的CBCT中下颌管及分支的分割与验证
叶页, 房硕博, 路惠童, 刘鸣谦, 邬雪颖
上海口腔医学
2025, 34 (2):
119-125.
DOI: 10.19439/j.sjos.2025.02.002
目的:通过训练卷积神经网络中的U形网络架构(U-Net),构建识别和分割下颌管及其分叉的方法。以专家标注结果作为标准,评估方法的准确性。方法:收集2022年1月—2022年12月于上海市口腔医院就诊的290例患者的CBCT资料,其中,训练集200例,测试集90例。模型训练分为三步,第一步由研究人员在3D Slicer软件中标注50例CBCT的双侧下颌管及其分叉。第二步采用伪标签法,基于人工标注的50例数据,结合数据增强方法,初步训练U-net的三维分割模型,对分割结果进行形态学后处理;应用初步训练的模型,对150例数据进行智能标注,人工审校后纳入训练集。第三步基于人工标注与审校的共200例数据训练三维U-net识别与分割模型。评估阶段,由2名医师与U-net模型分别标注90例测试集CBCT数据的双侧下颌管及其分叉,检验2名医师标注结果的一致性,计算人工标注与模型标注结果的Dice相似性系数(Dice similarity coefficient, DSC)与豪斯道夫距离(Hausdorff distance, HSD),计算双下颌管检出率。采用SPSS 20.0软件包对数据进行统计学分析。结果:人工标注的90个测试集中,医师之间的Kappa值为 0.667。模型标注与人工标注相比,DSC为(0.739±0.068), HSD为(0.988±1.14) mm。双下颌管的检出率达到91.30%。结论:本模型具有较高的分割精度和预测精确性,是一种可靠实用的CBCT下颌管分割方法。
参考文献 |
相关文章 |
多维度评价
|
|