深度學習在牙颌面畸形诊疗中的應用及研究進展

admin

牙颌面畸形是由天赋或後天身分引發的颌骨巨细、形态、布局發育异样，和颌骨之间的位置异样，表示為咬合瓜葛庞杂、口颌體系功效停滞与脸部形状异样，必要正颌外科与正畸结合醫治。因為牙颌面畸形繁杂多样，正确的临床诊断和切确的手術设计在醫治中相當首要。

跟着数字化正颌外科的成长，三维頭影丈量、虚拟手術设计和術後面形展望等数字化诊疗手腕渐渐用于临床，提高了牙颌面畸形醫治的结果及切确性，但同时也存在着必定问题。在三维頭影丈量方面，剖解标記點的定位仍需人工完成，费时费劲。在正颌手術虚拟设计方面，骨的挪動、牙列模子的配准等仍必要人工完成，手術设计依靠醫師大量的临床履历；同时缺少正确的術後面形可視化展望法子，轻易引發醫患胶葛。

比年来，深度進修（deep learning，DL）以其對繁杂数据的處置能力，在醫學影象圖象辨認、辅助诊断、術後预後展望等方面展现了庞大潜力。深度進修為解决牙颌面畸形的临床问题開辟了新的思绪，很多學者在頭影丈量、诊断、醫治设计土城通水管,等方面举行了大量钻研。本文對深度進修在牙颌面畸形诊疗中的利用及钻研希望做一综述。

1.深度進修-醫學交織钻研的成长

深度進修是计较機學科的一個钻研标的目的，是呆板進修法子的最新子類。深度進修是指經由過程阐發大量数据，使计较機得到其内涵纪律与暗示条理，使呆板能像人脑同样具备阐發進修与辨認数据的能力。其与传统呆板進修的區分在于創建摹拟人脑神經收集布局举行進修阐發的人工神經收集（artificial neural networks,ANN）。神經收集按照钻研工具分為：尺度神經收集（standard neural network,SNN）、卷积神經收集（convolutional neural networks,CNN）和轮回神經收集（recurrent neural network,RNN）；按照练習方法分為非监視進修与监視進修。

CNN在触及圖象處置的醫學范畴如醫學影象學、病理學等范畴遍及利用。深度進修技能最先用于提高影象質量，模子使命聚焦在主動朋分、重修等。相干的CNN模子也不竭成长，Zheng等操纵U形卷积神經收集實现上、下颌骨主動朋分。影象主動朋分使影象阐發加倍快捷，為進一步實现主動辨認、定位、诊断缔造前提；如Wu等操纵深度進修辅助内镜查抄，筛查食管和胃等部位的疾病。

深度進修辅助临床诊断的利用集中在對胃癌、肝癌、乳腺癌等癌症的诊断和對糖尿病、血汗管疾病的醫治和危害评估。除基于醫學影象举行的圖象處置、临床诊断筛查外，深度進修還用于醫治方案制订、临床危害评估和药物研發辦理中；如Bird等操纵深度進修技能获得结肠癌放疗方案，Hooshmand等利用深度進修技能寻觅醫治COVID-19的潜伏药物。

2.深度進修在三维頭影丈量及牙颌面畸形诊断中的利用

頭影丈量是經由過程在頭影圖象中标注一系列标記點，丈量间隔、角度、比例等数值，經由過程与临床尺度值的比對，從而辅助牙颌面畸形诊断。今朝二维頭影主動丈量技能已相對于完美，此中表示優秀的模子是Hwang等經由過程YOLOV3深度進修法子，设置1028個练習集，283個测试集，完成對80個标記點（2個垂直参考點、46個硬组織标記點和32個软组織标記點）的主動定位。

今朝多個钻研功效已转化為智能頭影丈量软件或平台，比方CellmatiQ（Hamburg,德國）、CephX（ORCAAI,Herzliya,以色列）、Web-Ceph（Gyeonggi-do,韩國）、Uceph（華西，中國）等，鞭策了数字化正颌外科的成长。但二维頭影丈量只能分身2個维度，常造成信息丢失，對付脸部不合错误称患者，二维頭影丈量的缺點加倍呈现。而此时，基于CT/CBCT三维重修圖象的三维頭影丈量應運而生，經由過程實现3個维度上的全方位觀测，加倍正确地辅助牙颌面畸形的诊断。

2.1三维圖象剖解标記點定位

CBCT由于辐射和本钱较低經常使用于颅颌面掃描，但由于圖象存在显著噪声、成像伪影，致使较難實现對圖象标記點举行数字化定位。Chen等操纵3DfasterR-CNN快速举行预先區域划分，在此根本上，經由過程MS-UNet操纵热圖回归在高辨别率的圖象中實现了标記點位置的優化。该模子到達了均匀26.2s處置一個样本，精度可達（0.89±0.64）妹妹。

Yankun等则提出了操纵树状布局贮存各個标识表記标帜點的法子，通太低辨别率圖象開端果断區域，再次利用高辨别率圖象果断标识表記标帜點的详细位置，练習数据集包含49例患者，模子定點偏差為（1.75±0.91）妹妹。Zhang等指出因為标記點多位于被朋分颌骨的邊沿，必要同时存眷标記點定位和颌骨朋分使命。

經由過程利用全卷积神經收集（fully convolutional network，FCN）先進修位移圖，捕捉在CBCT中的空间上下文信息；并操纵该位移圖作為引导信息，進一步成长了一個多使命FCN用于颌骨朋分和标記點主動定位。在對107個工具的實行评料中，该法子優于今朝颌骨朋分和标記點定位两個范畴的最先辈的法子。

2.2颌骨与牙的朋分

颌骨与牙的朋分是临床上三维模子重修的首要步调，只有将颌骨和牙從影象中切确朋分，才能包管剖解布局标注的正确性。Lee等操纵卷积神經收集，通過量级练習方法并操纵空间dropout层正则化模子，提高了對颌骨及牙的朋分機能。Wang等以4名履历丰硕的醫師的朋分成果為基准，經由過程MS-D收集举行主動朋分，练習成果显示颌骨的Dice系数到達0.934±0.019，牙的Dice系数到達0.945±0.021；与醫師的朋分成果比拟，颌骨的概况偏差為（0.39±0.093）妹妹，牙的概况偏差為（0.204±0.061）妹妹，取患了较好的成果。

2.3CT与光學牙模配准

激光掃描获得的光學牙模数据對牙列形态的記實比CT更切确，CT与光學牙模百家樂,配准的目标，一方面是構建更切确的牙列-颌骨模子，以包管三维丈量的切确度生髮,；另外一方面，也能包管虚拟手術设计中重修咬合瓜葛的切确性。為了简化配准進程，Zhang等提出了一種基于特性的等曲率主配准算法，經由過程计较點云数据的各點曲率，然後用哈希映照點与對應曲率的瓜葛，對在等曲率范畴内的點举行比力，大大简化了初始的配准進程。

在深度進修方面，Chung等經由過程深度姿态回归神經收集（deep pose regression neural networks）對CT和光學牙模實现三维配准，标記點偏差均匀為1.8妹妹，由掃描模子上10個标記點的歐几里得间隔所评估；概况偏差均匀為5.11妹妹，该偏差较标記點偏差偏大的缘由是概况偏差不但笼盖了模子關頭位置的10個标記點，還包括過剩的基座、牙槽等部位。该评估成果比當今最佳的法子的偏差低落了33.09%，表现了利用深度進修法子配准CT和光學牙模的可能性。

2.4正中矢状面校准

正中矢状面是举行丈量阐發、手術设计最首要的頭颅参考平面。為使正中矢状面得以校准，朱玉佳等操纵80例由專家标注的颜面数据作為练習集，练習并創建多視圖重叠沙漏神經收集（MSHCNN）；并連系赋权普氏阐發算法，實现三维颜面正中矢状平面的構建。Dalvit Carvalhoda Silva等經由過程卷积神經收集与几何矩，使CT圖象雙侧對称，正中矢状面得以校准。195個頭颅圖象經由過程该模子举行驗证，在冠状面和横断面上校订的正确度均高于99%，表现了该法子的靠得住性。

2.5辅助牙颌面畸形诊断

頭影丈量常常必要花费大量时候，而且利用较繁杂的软件。經由過程深度@進%8A114%修對圖%nMFFi%象@数据举行處置，可在必定水平上便利诊疗。Kim等设计了基于投票機制的调集模子与基于粗微和谐同步微调的同步多通道模子，經由過程练習3個特定标的目的的二维視圖，获得圖象间的互相联系關系性，以此替换原始三维数据，显著低落了计较本钱，起到很好的分類骨性错的结果。

Murata等提出一個并行CNN模子，此中的每一個CNN處置一個标的目的的圖象，然後将每一個CNN输出的特性向量毗連，并保留為包括一個患者所有圖象信息的特性向量。输入多层感知器中，获得患者對應的正畸醫治需求指数品级，在CNN模子和MLP模子的根本上，正确性提高了11%。

3.深度進修在牙颌面畸形醫治设计、展望中的利用

深度進修在牙颌面畸形醫治的手術设计上一样起着巨高文用。為了展望患者在正颌手術的骨骼變革，Ma等基于呆板進修法子，利用一個12层级联神經收集。该收集分為2個模子，第一個模子從三维體素的二维小块圖象（Patch）中获得标記點，第二個模子用于展望術後骨骼變革，终极的展望成果在标記點程度的切确度為5.4妹妹。

Knoops等經由過程监視進修下的呆板進修框架，以康健人群和正颌手術患者的脸部立體拍照（3DMD）圖象作為输入值，對该神經收集举行练習，實现對诊断和醫治结果的展望。测试成果显示，在诊断方面，敏感度為95.5%，特异度為95.2%；在摹拟醫治结果方面，均匀偏差為（1.1±0.3）妹妹。這些钻研展现了深度進修技能在牙颌面畸形手術设计方面削减人力介入的可能性。

針對牙颌面畸形患者颌面骨的手術设计，Xiao等操纵點云数据举行几何深度進修（geometric deep learning），經由過程校订畸形骨的外形，天生患者個别化正常颌面骨模子。该钻研供给了扩展数据集的新思绪，同时驗证了應用點云数据的可行性和正确性。在制订正畸醫治方案时，Li等利用多层感知器人工神經收集（multilayer perceptron artificial neural networks），展望正颌－正畸结合醫治中相干决议计划，包含是不是拔牙、拔牙模式和支抗模式。在是不是拔牙决议计划中，该收集模子的展望成果正确率達94%，敏感度為94.6%，特异度為93.8%；拔牙模式的正确率為84.2%，支抗模式的正确率為92.8%，展示了深度進修技能在牙颌面畸形醫治决议计划范畴應用的庞大潜力。

為了提高妙度進修的正确率，Kim等在阐發頭影丈量圖象与正颌手術的選擇之间的瓜葛时，阐發了CNN中Res-Net布局分歧层数（1八、3四、50和101）對测试集正确率的影响，正确率别离為93.80%、93.60%、91.13%和91.33%，18层的Res-Net正确率上優于此外3個Res-Net。因而可知，一味增长神經收集的层数，没法提高成果的正确率。

牙颌面畸形手術设计中的脸部形态變革也是首要的参考身分，可是今朝的设计软件仅可以實现骨布局的摹拟，而软组織布局的摹拟尚不许确，必要寄托醫師的履历去果断。經由過程深度進修發明软组織与硬组織之间的接洽，则有助于實现软组織布局的摹拟。Ma等經由過程應用FC-Net，進修術前与術後已配對好的脸部响應點的變革，成果優于本钱更高的有限元模子（finite element modeling，FEM）。TerHorst等利用深度進修模子与質量张量模子（mass tensor model，MTM），對面下1/3區域的软组織變革举行展望。成果显示，在均匀绝對偏差方面，深度進修模子[（1.0±0.6）妹妹]略優于MTM[（1.5±0.5）妹妹]，在临床可接管的偏差范畴以内。

4.實现牙颌面畸形智能化诊疗的需要性与可行性

牙颌面畸形在人群中的病發率约為5%，患者常伴随咬合功效停滞及脸部畸形，紧张影响身心康健。患者畸形繁杂多样，醫學数据量大，因此醫師劳動强度大，人力和时候本钱高。同时，患者對醫治结果请求较高，使得牙颌面畸形诊疗方案繁杂，而且方案设计的正确性依靠醫師的大量临床履历。對智能化诊疗的摸索，有望解决上述问题，有益于醫師诊疗方案的设计和手術辅助，從而得到最好醫治结果。智能化诊疗方案采纳加倍直觀的方法，将患者的術後展望展示给患者，便利醫患沟通，為患者供给個性化、数字化诊疗辦事。

总之，曩昔10年来，深度進修技能的飞速成长，為咱们带来無穷可能。跟着硬件装备的成长和计较機辅助设计（CAD）、计较機辅助建造技能（CAM）的不竭完美，牙颌面畸形醫治显现出临床数据三维化、诊疗手腕数字化、精准化的趋向。信赖在将来，跟着深度進修算法的不竭優化，数据辨認和處置能力的進一步提高，计较機科學与醫學的深度互助将加倍慎密，有望扭转传统的醫學模式，供给更便捷、更精准、更個性化的诊疗。