Bevezetés: A ’cone-beam’ (kúpsugaras) számítógépes tomográfiás (CBCT) felvételek szegmentációja
során a síkbeli képekből álló adatokat három dimenzióban (3D) rekonstruáljuk. A szájsebészetben
és a parodontológiában a digitális adatfeldolgozás lehetővé teszi a műtéti beavatkozások
3D tervezését. A leggyakrabban alkalmazott határérték-alapú szegmentáció gyors, de
pontatlan, míg a félautomatikus módszerek megfelelő pontosságúak, de rendkívül időigényesek.
Az utóbbi években a mesterséges intelligencián alapuló technológiák elterjedésével
azonban mostanra lehetőség van a CBCT-felvételek automatikus szegmentációjára. Célkitűzés:
A klinikai gyakorlatból vett CBCT-felvételeken betanított mélytanulási szegmentációs
modell bemutatása és hatékonyságának vizsgálata. Módszer: A vizsgálat három fő fázisa
volt: a tanuló adatbázis felállítása, a mélytanulási modell betanítása és ezen architektúra
pontosságának tesztelése. A tanuló adatbázis felállításához 70, részlegesen fogatlan
páciens CBCT-felvételeit alkalmaztuk. A SegResNet hálózati architektúrára épülő szegmentációs
modellt a MONAI rendszer segítségével fejlesztettük ki. A mélytanulási modell pontosságának
ellenőrzéséhez 15 CBCT-felvételt használtunk. Ezeket a felvételeket a mélytanulási
modell segítségével, valamint félautomatikus szegmentációval is feldolgoztuk, és összehasonlítottuk
a két szegmentáció eredményét. Eredmények: A mélytanulásos szegmentáció és a félautomatikus
szegmentáció közötti hasonlóság a Jaccard-index szerint átlagosan 0,91 ± 0,02, a Dice
hasonlósági együttható átlagos értéke 0,95 ± 0,01, míg a két modell közötti átlagos
Hausdorff- (95%) távolság 0,67 mm ± 0,22 mm volt. A mélytanulásos architektúra által
szegmentált és a félautomatikus szegmentációval létrehozott 3D modellek térfogata
nem mutatott statisztikailag szignifikáns különbséget (p = 0,31). Megbeszélés: A vizsgálatunkban
használt mélytanulási modell az irodalomban található mesterségesintelligencia-rendszerekhez
hasonló pontossággal végezte el a CBCT-felvételek szegmentációját, és mivel a CBCT-felvételek
a rutin klinikai gyakorlatból származtak, a mélytanulási modell relatíve nagy megbízhatósággal
szegmentálta a parodontalis csonttopográfiát és az alveolaris gerincdefektusokat.
Következtetés: A mélytanulási modell nagy pontossággal szegmentálta az alsó állcsontot
dentális CBCT-felvételeken. Ezek alapján megállapítható, hogy a mélytanulásos szegmentációval
előállított 3D modell alkalmas lehet rekonstruktív szájsebészeti és parodontalis sebészeti
beavatkozások digitális tervezésére. Orv Hetil. 2024; 165(32): 1242–1251.
