基于深度学习的上颌窦与上颌后牙CBCT影像的自动分割
李成业1
易可欣2
张茗茗1
梁宇红3
1.北京大学口腔医学院·口腔医院,牙体牙髓科;国家口腔医学中心;国家口腔疾病临床医学研究中心;口腔生物材料和数字诊疗装备国家工程研究中心,北京 1000812.北京大学计算机学院,北京 1008713.北京大学口腔医学院·口腔医院,急诊科;国家口腔医学中心;国家口腔疾病临床医学研究中心;口腔生物材料和数字诊疗装备国家工程研究中心,北京 100081
摘要：目的 构建融合卷积块注意力模块(CBAM)的U-Net深度学习模型,应用于分割CBCT影像上颌窦(MS)与上颌后牙(MPT)结构,评价U-Net CBAM模型分割的准确性.方法 以牙髓专科医师标注的35份CBCT数据(含70MS及280个MPT)为金标准,构建融合通道-空间双注意力机制的U-Net CBAM模型,采用三折交叉验证训练,评价U-Net CBAM的分割准确性,并与U-Net、EfficientNet比较,评估指标包括Dice系数(DSC)、Jaccard相似性指数(JSI)以及体积一致性指标.结果 3种模型对上颌窦结构分割的DSC和JSI分别达到了0.90与0.84以上,对上颌后牙分割的DSC和JSI均达到0.83与0.76以上.其中U-Net CBAM模型表现最优,其MS分割的DSC与JSI分别达到0.935和0.895,MPT分割精度达0.887和0.796,分割精度较低的U-Net模型的MS分割DSC为0.902、JSI为0.842,MPT分割DSC为0.830、JSI为0.709.体积一致性分析表明,U-Net CBAM自动分割结果与人工标注间存在高度线性相关(R2＞0.9).结论 相较于U-Net与EfficientNet,融合CBAM技术的改进U-Net模型在CBCT影像上分割上颌窦和上颌后牙结构的任务中表现更佳,验证了通道-空间注意力机制对相对复杂解剖结构识别的有效性,为小样本口腔影像的多目标分割提供了方向.
关键词：人工智能深度学习锥形束计算机体层摄影图像分割上颌窦上颌后牙
分类号：R816.98(放射医学)
资助基金：始创新联合基金项目(L222026)
论文发表日期：2025-08-28
在线出版日期：2025-10-15（本平台首次上网日期，不代表文献的发表时间）
页数：7( 443-449 )
英文信息