あなたは歯科・医療関係者ですか?

WHITE CROSSは、歯科・医療現場で働く方を対象に、良質な歯科医療情報の提供を目的とした会員制サイトです。

日本語AIでPubMedを検索

日本語AIでPubMedを検索

PubMedの提供する医学論文データベースを日本語で検索できます。AI(Deep Learning)を活用した機械翻訳エンジンにより、精度高く日本語へ翻訳された論文をご参照いただけます。
BMC Oral Health.2025 Jan;25(1):133.

ディープラーニングによる臨床志向の自動3次元エナメル質セグメンテーション

Clinically oriented automatic three-dimensional enamel segmentation via deep learning.

PMID: 39856656

抄録

背景:

エナメル質のセグメンテーションと解析のための正確で信頼できる簡便な方法を確立することは、歯内治療、矯正治療、および修復治療を効果的に計画するため、ならびに哺乳類の進化パターンを探索するために極めて重要である。しかし、チェアサイドでエナメル質の完全性と厚さを迅速、正確、かつ包括的に評価するための成熟した非破壊的な方法は、現在のところ歯科臨床には存在しない。本研究は、臨床環境において、すべての歯におけるエナメル質の自動的、効率的、正確なセグメンテーションのために、少量のサンプルデータセットで訓練されたディープラーニングワーク、2.5D Attention U-Netを開発することを目的とする。

BACKGROUND: Establishing accurate, reliable, and convenient methods for enamel segmentation and analysis is crucial for effectively planning endodontic, orthodontic, and restorative treatments, as well as exploring the evolutionary patterns of mammals. However, no mature, non-destructive method currently exists in clinical dentistry to quickly, accurately, and comprehensively assess the integrity and thickness of enamel chair-side. This study aims to develop a deep learning work, 2.5D Attention U-Net, trained on small sample datasets, for the automatical, efficient, and accurate segmentation of enamel across all teeth in clinical settings.

方法:

我々は、インスタンス分割ネットワーク、2.5D Attention U-Netに基づく、完全自動化されたコンピュータ支援エナメル質セグメンテーションモデルを提案する。データのアノテーションとオーグメンテーションの後、手動でアノテーションされたセグメンテーションされたエナメル質データを用いてモデルを学習し、その性能をダイス類似度係数メトリクスを用いて評価する。満足のいく画像セグメンテーションモデルは、各歯の3Dエナメル質モデルを生成するために適用され、通常の光線追跡方向法を使用して、個々の囲まれた3Dエナメル質メッシュの厚さ値を計算する。

METHODS: We propose a fully automated computer-aided enamel segmentation model based on an instance segmentation network, 2.5D Attention U-Net. After data annotation and augmentation, the model is trained using manually annotated segmented enamel data, and its performance is evaluated using the Dice similarity coefficient metrics. A satisfactory image segmentation model is applied to generate a 3D enamel model for each tooth and to calculate the thickness value of individual enclosed 3D enamel meshes using a normal ray-tracing directional method.

結果:

このモデルは、エナメル質セグメンテーションタスクにおいて96.6%のダイススコアを達成した。この研究は、不規則なエナメル質の形態を直感的に視覚化し、3次元的なエナメル質の厚さの変化を定量的に分析する。その結果、エナメル質は前歯の切縁と臼歯の尖端が最も厚く、歯根に向かって薄くなることが示された。臼歯部では、エナメル質は中心窩で最も薄く、下顎臼歯は上顎臼歯に比べて中心窩のエナメル質が厚い。上顎切歯、犬歯、小臼歯のエナメル質の平均厚さは下顎切歯のそれよりも厚いが、大臼歯はその逆である。エナメル質の厚さには個人差があるが、同じ象限内のすべての歯において、エナメル質の平均厚さは切歯から臼歯に向かって徐々に増加する。

RESULTS: The model achieves the Dice score on the enamel segmentation task of 96.6%. This study provides an intuitive visualization of irregular enamel morphology and a quantitative analysis of three-dimensional enamel thickness variations. The results indicate that enamel is thickest at the incisal edges of anterior teeth and the cusps of posterior teeth, thinning towards the roots. For posterior teeth, the enamel is thinnest at the central fossae area, with mandibular molars having thicker enamel in the central fossae compared to maxillary molars. The average enamel thickness of maxillary incisors, canines, and premolars is greater than that of mandibular incisors, while the opposite is true for molars. Although there are individual variations in enamel thickness, the average enamel thickness graduallly increases from the incisors to the molars among all teeth within the same quadrant.

結論:

本研究は、臨床現場におけるエナメル質関連疾患の精密かつ効率的なチェアサイド診断および治療を強化するために、自動的で効率的かつ正確な2.5DアテンションU-Netシステムを導入したものであり、エナメル質関連疾患の自動診断における重要な進歩を示すものである。

CONCLUSIONS: This study introduces an automatic, efficient, and accurate 2.5D Attention U-Net system to enhance precise and efficient chair-side diagnosis and treatment of enamel-related diseases in clinical settings, marking a significant advancement in automated diagnostics for enamel-related conditions.