Kunstmatige intelligentie segmenteert CBCT-scan in 25 seconden, ongeveer 5 uur sneller dan een tandarts

Malocclusie en 3D-modellen

CBCT-scans worden steeds vaker gebruikt door orthodontisten vanwege de lage kosten en stralingsdosis. De beeldvorming wordt gebruikt om complexe malocclusie nauwkeurig te beoordelen. Dezelfde scans kunnen worden gebruikt om 3D-modellen te maken voor verdere diagnose en behandelplanning.

Segmenteren meest uitdagende stap

Momenteel is de meest uitdagende stap bij het maken van de 3D-modellen de CBCT-beeldsegmentatie, schrijven de auteurs onder leiding van H. Wang van de afdeling Mondziekten, Kaak- en Aangezichtschirurgie van het Amsterdam UMC. Dat is het opdelen van de scans in verschillende anatomische interessegebieden. Het onderzoek was gericht op het trainen van een veelbelovend nieuw algoritme, het mixed-scale dense (MS-D) convolutionele neurale netwerk, om tegelijkertijd zowel de kaak als de tanden van CBCT-scans te segmenteren.

Model versus tandarts

In totaal werden dertig CBCT-scans verkregen van patiënten tussen de 11 en 24 jaar oud die een orthodontische behandeling hadden ondergaan. De prestaties van de MS-D-netwerken werden vergeleken met goudenstandaardsegmentaties die werden gemaakt door vier tandartsen met minstens twee jaar ervaring. De scans werden in drie klassen verdeeld, tanden, kaak en achtergrond, en geconverteerd naar 3D-modellen.

Neuraal netwerk levert goede resultaten

De resultaten van het algoritme waren vergelijkbaar met de segmentatie die door de tandartsen werd gedaan: de overeenkomstindex was 0.934 voor het onderscheiden van kaken en 0,945 voor het identificeren van tanden. De op het MS-D-netwerk gebaseerde 3D-modellen van de kaak weken 0,390 mm af van de gouden standaard, en slechts 0,204 mm voor de tanden.

Vergissingen aan de randen

In één voorbeeld toonde de verschillenkaart aan dat het algoritme zich meestal aan de randen van de segmentatie vergist met een verschil van ongeveer 1 pixel. Het algoritme miste ook enkele dunne, benige structuren rond de maxillaire sinus, merkten de auteurs op.

Algoritme is veel sneller

Het algoritme wist dus goede resultaten te behalen in slechts 25 seconden per CBCT-scan, terwijl handmatige segmentatie ongeveer 5 uur duurde. “Het MS-D-netwerk dat is getraind voor multiclass-segmentatie zou daarom patiëntspecifieke orthodontische behandelingen haalbaarder maken door de tijd die nodig is om meerdere anatomische structuren in CBCT-scans te segmenteren sterk te verminderen”, schrijven de onderzoekers.

Geen gecompliceerde tandheelkundige status

Belangrijk is dat geen van de patiënten in de studie vullingen, implantaten of kronen had, en dat de scans dus vrij waren van metalen artefacten. De auteurs adviseerden daarom dat toekomstige studies patiënten met een meer gecompliceerde tandheelkundige status zouden moeten omvatten.

Bron:
Journal of Dental Research