С помощью алгоритма компьютер справляется с поставленной задачей молниеносно, при этом по результатам эксперимента, итоговый результат совпадает с сегментацией зубов и челюсти, выполненной 4 разными врачами. Авторы надеются, что однажды алгоритм компьютерного распознавания массивов позволит распознавать снимки любого пациента.
«Алгоритм разработан для выполнения сегментации различных групп объектов, он облегчает и ускоряет работу по построению полноценных анатомических моделей зубочелюстной системы», — пишет автор работы Х. Ванг, представляющий отделение челюстно-лицевой хирургии и патологий ротовой полости в больницей UMC в Амстердаме.
Трехмерная визуализация челюсти с помощью конусно-лучевой компьютерной томографии применяется в ортодонтии для точной оценки аномалий прикуса. На основе этих снимков можно построить трехмерную модель для диагностики и составления плана ортодонтического лечения.
На сегодняшний день сегментация КТ зубочелюстной системы – наиболее сложная часть в процессе преобразования снимков в трехмерную модель отдельных зубов. Авторами работы был создан новый алгоритм для быстрой сегментации зубов и челюсти на изображениях КЛКТ.
В процессе были использованы 28 снимков пациентов в возрасте 11-24 года, которым требовалось ортодонтическое лечение. Сегментацию элементов зубодесневой системы провели 4 врача с не менее чем 2 годами опыта работы по сегментации КТ-изображений отдельных зубов, элементов челюсти и близлежащих анатомических структур.
Оказалось, что программа с помощью нового алгоритма проводит сегментацию зубов и челюсти так же хорошо, как и специалист. Совпадение итоговых данных составило 0,934 – для челюсти, 0,945 – для отдельных зубов.
По итогам, численные отклонения программы от модели, выполненной врачом, составили 0,204 мм – при распознавании зубов, 0,390 мм – при распознавании элементов челюсти. «Для сегментации одного изображения алгоритму потребовалось всего 25 секунд, что существенно быстрее сегментации, выполненной человеком».
Программа совершала незначительные отклонения в процессе распознавания выступающих частей элементов, где разница составляла около 1 пикселя. Также алгоритму не удалось выделить тонкие костные структуры около верхнечелюстной пазухи.
Отметим, что у участников исследования не было пломб, коронок, имплантатов, поэтому на изображениях отсутствовали тени, характерные для металлических стоматологических изделий. В будущем авторы проверят работу алгоритма на более привычных снимках пациентов: с реставрациями, протезами и другими объектами в ротовой полости.
«Мы пришли к выводу, что глубокое и детальное распознавание позволит выполнять быструю сегментацию КТ-изображений зубочелюстной системы. Это облегчит работу врача многократно, следовательно, упростит процесс ортодонтического лечения».
