CBCT画像からの頭蓋顎顔面構造の人工知能駆動型統合セグメンテーションにより生成された完全仮想患者

Full virtual patient generated by Artificial Intelligence-driven integrated segmentation of craniomaxillofacial structures from CBCT images.

抄録

目的:

頭蓋顎顔面構造の統合セグメンテーションのための畳み込みニューラルネットワーク（CNN）ベースの自動化手法の性能、時間効率、および一貫性を、CBCTスキャンを使用して仮想患者を作成するための半自動化手法と比較して評価すること。

OBJECTIVES: To assess the performance, time-efficiency, and consistency of a convolutional neural network (CNN) based automated approach for integrated segmentation of craniomaxillofacial structures compared with semi-automated method for creating a virtual patient using CBCT scans.

方法:

30枚のCBCTスキャンを選択した。顎顔面複合骨、上顎洞、歯列、下顎骨、下顎管、咽頭気道腔を含む6つの頭蓋顎顔面構造を、半自動セグメンテーションと、個々の構造に対して以前に検証されたCNNベースの自動セグメンテーション技術の合成を用いて、これらのスキャン上でセグメンテーションした。自動セグメンテーションの定性的評価により、細かな修正が必要であることが判明し、手動で修正した。これらの修正されたセグメンテーションは、半自動セグメンテーションと自動統合セグメンテーションを比較するための参照となった。

METHODS: Thirty CBCT scans were selected. Six craniomaxillofacial structures, encompassing the maxillofacial complex bones, maxillary sinus, dentition, mandible, mandibular canal, and pharyngeal airway space, were segmented on these scans using semi-automated and composite of previously validated CNN-based automated segmentation techniques for individual structures. A qualitative assessment of the automated segmentation revealed the need for minor refinements, which were manually corrected. These refined segmentations served as a reference for comparing semi-automated and automated integrated segmentations.

結果:

自動セグメンテーションによる微調整の大部分は、副鼻腔粘膜の肥厚や顎顔面複合体内の骨の厚みが減少している領域のセグメンテーション不足であった。自動化アプローチと半自動化アプローチに要した時間は、それぞれ平均1.1分と48.4分であった。自動化法は、半自動化法（88.3％）よりも基準との類似度が高かった（99.6％）。自動化された方法によるすべての測定基準の標準偏差値は低く、高い一貫性を示した。

RESULTS: The majority of minor adjustments with the automated approach involved under-segmentation of sinus mucosal thickening and regions with reduced bone thickness within the maxillofacial complex. The automated and the semi-automated approaches required an average time of 1.1 minutes and 48.4 minutes, respectively. The automated method demonstrated a greater degree of similarity (99.6%) to the reference than the semi-automated approach (88.3%). The standard deviation values for all metrics with the automated approach were low, indicating a high consistency.

結論:

CNN駆動統合セグメンテーションアプローチは、頭蓋顎顔面構造の同時セグメンテーションを通じてCBCT由来の仮想患者を作成する上で、正確で時間効率が高く、一貫性があることが証明された。

CONCLUSIONS: The CNN-driven integrated segmentation approach proved to be accurate, time-efficient, and consistent for creating a CBCT-derived virtual patient through simultaneous segmentation of craniomaxillofacial structures.

臨床的意義:

自動化されたアプローチによる仮想口腔顔面患者の作成は、パーソナライズされたデジタルワークフローを変革する可能性がある。この進歩は、歯科および顎顔面のさまざまな専門分野での治療計画に特に有益である可能性がある。

CLINICAL RELEVANCE: The creation of a virtual orofacial patient using an automated approach could potentially transform personalized digital workflows. This advancement could be particularly beneficial for treatment planning in a variety of dental and maxillofacial specialties.