深度学习在头影测量中的应用研究进展

头影测量是正畸和正颌外科诊疗过程中普遍采用的关键技术。常规的手工头影测量和半自动头影测量依赖于医师手工定点,存在耗时过长、精确度和稳定性欠佳等问题。深度学习(deep learning,DL)是人工智能(artificial intelligence,AI)领域最热门的技术方法之一,具有强大的图像识别能力。在头影测量领域,目前已有较多研究致力于采用DL实现头影测量的自动化,包括自动定点、自动诊断分析、颈椎成熟度分析、腺样体肥大自动诊断和气道分析。研究显示,DL能有效提高工作效率,其准确率多已达到80%以上,与金标准之间的差异多在临床可接受范围内,具有良好的应用前景。然而,当前此类研究仅限于自动定点的实现,其数据集往往存在数据量不够丰富、数据范围局限等问题。后期研究应进一步扩展研究范围、提升算法的同时注意数据集的丰富程度,并将DL技术与其他AI技术适当结合,从而进一步提高算法的准确性、稳定性和普适性。

自然头位正面记录方法及其可重复性的初步研究

目的:设计一种新型的自然头位正面照片拍摄方法,并对其所拍摄的照片进行初步时间可重复性验证。方法:设计一种基于装有单向透视玻璃的自制相机暗盒,并以此为基础建立记录自然头位正面照片的拍摄方法。利用该方法对42名受试者,分别于baseline,1 h,1 d,3 d,7 d进行拍摄,以照片中两外眦连线与水平线的夹角为检测指标,进行时间可重复性检验。结果:单因素方差(One-way ANOVA)分析和Bonferroni多重检验分析表明不同时间点拍摄的正面照片中外眦连线与水平线夹角间差异无统计学意义(P one-way ANOVA=0.9558,各组间P Bonferroni's检验>0.05)。结论:建立了一种简单易行的自然头位正面照片拍摄方法,运用此方法拍摄得到的自然头位正面照片经过初步验证具有良好的时间可重复性。