コーンビームCT上の特定の解剖学的構造のセグメンテーションのための新しいディープラーニングフレームワークの展開

Deploying a novel deep learning framework for segmentation of specific anatomical structures on cone-beam CT.

抄録

目的:

コーンビームCT（CBCT）画像は歯科において重要な役割を果たしており、CBCT画像上の解剖学的構造の自動予測は、診断および計画手順を向上させる可能性がある。本研究では、ディープラーニングアルゴリズムを用いてCBCT画像上の解剖学的構造を自動予測することを目的とする。

AIM: Cone-beam computed tomography (CBCT) imaging plays a crucial role in dentistry, with automatic prediction of anatomical structures on CBCT images potentially enhancing diagnostic and planning procedures. This study aims to predict anatomical structures automatically on CBCT images using a deep learning algorithm.

材料と方法:

70名の患者のCBCT画像を解析した。解剖学的構造は、2名の歯科顎顔面放射線科医により、アノテーションソフトウェア内の領域セグメンテーションツールを用いてアノテーションされた。各ボリュメトリックデータセットは405スライスで構成され、各スライスには関連する解剖学的構造がマーキングされた。70枚のDICOM画像をNifti形式に変換し、7枚をテスト用に、残りの63枚をトレーニング用に使用した。学習にはnnUNetv2を使用し、初期学習率は0.01、各エポックで0.00001ずつ減少させ、1000エポック実施した。統計分析には、精度、ダイススコア、精度、想起の結果が含まれる。

MATERIALS AND METHODS: CBCT images from 70 patients were analyzed. Anatomical structures were annotated using a regional segmentation tool within an annotation software by two dentomaxillofacial radiologists. Each volumetric dataset comprised 405 slices, with relevant anatomical structures marked in each slice. Seventy DICOM images were converted to Nifti format, with seven reserved for testing and the remaining sixty-three used for training. The training utilized nnUNetv2 with an initial learning rate of 0.01, decreasing by 0.00001 at each epoch, and was conducted for 1000 epochs. Statistical analysis included accuracy, Dice score, precision, and recall results.

結果:

セグメンテーションモデルは、鼻腔窩、上顎洞、鼻口蓋管、下顎管、精神孔、下顎孔で0.99の精度を達成し、対応するダイススコアはそれぞれ0.85、0.98、0.79、0.73、0.78、0.74であった。精度は0.73～0.98であった。上顎洞セグメンテーションが最も高い精度を示し、下顎管セグメンテーションが最も低い精度を示した。

RESULTS: The segmentation model achieved an accuracy of 0.99 for nasal fossa, maxillary sinus, nasopalatine canal, mandibular canal, foramen mentale, and foramen mandible, with corresponding Dice scores of 0.85, 0.98, 0.79, 0.73, 0.78, and 0.74, respectively. Precision values ranged from 0.73 to 0.98. Maxillary sinus segmentation exhibited the highest performance, while mandibular canal segmentation showed the lowest performance.

結論:

この結果は、ほとんどの構造で高い精度と正確性を示し、さまざまなダイススコアがセグメンテーションの一貫性を示している。全体として、我々のセグメンテーションモデルは、CBCT画像における解剖学的特徴の描出に頑健な性能を示し、歯科診断および治療計画への応用が期待される。

CONCLUSION: The results demonstrate high accuracy and precision across most structures, with varying Dice scores indicating the consistency of segmentation. Overall, our segmentation model exhibits robust performance in delineating anatomical features in CBCT images, promising potential applications in dental diagnostics and treatment planning.