深度学习算法在腭中缝成熟度分期中的应用

目的:探讨深度卷积神经网络模型(CNN)在评估锥形束计算机断层扫描(CBCT)影像中的腭中缝成熟度的应用,验证深度学习算法的有效性。方法:在已有卷积神经网络Xception模型的基础上,对模型进行针对性的结构优化,引入了注意力以及多特征融合机制。使用661例CBCT的腭平面截图,图像经预处理后作为训练集,在对网络模型进行训练后,利用20例典型分期样本进行验证,再分别测试38例困难样本(测试集A)和60例平均难度样本(测试集B)的分期准确率。最后将模型与医生的判断结果进行对比分析。结果:所设计的深度神经网络模型在数据集A和数据集B上的准确率分别为0.868和0.916,医生在数据集A和数据集B的准确率分别为0.628和0.850,结论:在病例出现多期性时,深度神经网络模型能够给出更加准确的结论,因此深度神经网络模型能够给医生提供有价值的参考,辅助医生做出正确的诊断。

腭中缝成熟度CBCT分期对临床扩弓决策的研究进展

腭中缝钙化程度随年龄分布差异极大,临床以生理年龄作为扩弓决策依据常不准确,Angelieri等提出基于CBCT的个性化腭中缝成熟度分级体系,有利于准确获取腭中缝钙化程度,为患者选择最合适而有效的个性化治疗方法,在提高扩弓成功率以及避免不必要的外科手术等方面具有重要意义,当然其应用也具有一定局限性,本文就Angelieri分期在临床正畸扩弓决策方面的国内外研究进展作一综述。