2月4日，由上海科技大学生物医学工程学院沈定刚教授 IDEA 实验室、联影智能公司、多家大学和医院的合作成果，被《自然•通讯》 (Nature Communications) 杂志接收。论文题目为 “A fully automatic AI system for tooth and alveolar bone segmentation from cone-beam CT images” (基于人工智能的 CBCT 牙齿及牙槽骨全自动分割系统)。
随着人们对口腔健康意识的日益提升，数字化口腔技术已被广泛应用于正畸、修复、种植、牙周及颌面手术中。Cone-beam CT (CBCT) 图像作为低辐射剂量和高分辨率的数字化影像，可提供完整的三维牙齿及牙槽骨信息，以满足数字化口腔在正畸功能性排牙，种植手术导板设计，以及各种牙体、牙周手术方面的需求。因此，从 CBCT 图像中自动勾画出牙齿和牙槽骨结构对于数字化口腔的应用研究至关重要。然而，由于 CBCT 图像质量极易受到伪影影响，而且不同患者间的牙齿形态存在较大差异，自动分割算法的准确性和鲁棒性都受到极大的挑战。为解决这一难题，本研究构建了一套基于深度学习的全自动牙齿及牙槽骨分割系统，其中包含 1) 多层次形态学引导的牙齿分割网络和 2) 基于滤波增强的牙槽骨级联分割网络。
图1：牙齿及牙槽骨分割系统流程图。a) CBCT 输入图像；b) 基于多层次形态学引导的牙齿分割网络；c) 基于滤波增强的牙槽骨级联分割网络；d) 牙齿及牙槽骨分割结果。
本文首次提出多层次形态学引导的牙齿分割网络，分别从“点、线、面”不同角度表征牙齿形状，精确提取患者牙冠及牙根信息，为数字化口腔构建高精度三维牙齿模型。本研究采集了来自15个不同中心 (医院/牙科诊所) 的4,215名患者，共4,938 例 CBCT 的图像，这是迄今为止国际最大的 CBCT 数据集。结合方法设计和数据采集的优势，本研究获得了令人欣喜的结果：首先，大规模测试结果显示分割评价指标 Dice 系数均达到90%以上。其次，我们使用100例 CBCT 数据，对 AI 系统与临床放射医生手动勾画进行比较，结果显示该系统获得了与医生相当的分割精度，但分割效率提升约500倍。此外，针对具有多种异常牙齿 (例如缺牙、错位和金属伪影) 的病例，该系统在牙齿和牙槽骨分割中分别取得了91.5%和93.0%的 Dice 系数，进一步验证了本系统对于临床异常数据具有较高的鲁棒性。
图2：牙齿及牙槽骨分割结果，包含缺牙、错位和受金属伪影影响的 CBCT 图像。
本研究报道的基于人工智能的牙齿及牙槽骨分割系统，首次提出了多层次形态学 (点、线、面) 引导的牙齿分割模型，并构建了迄今为止最大的 CBCT 数据集。研究表明该系统不仅大大提高了数字化口腔在正畸、修复、种植、牙周及颌面手术中的临床效率，同时也反映了将人工智能与数字化口腔相结合，将在未来的口腔医疗服务中做出巨大的贡献。
上海科技大学生物医学工程学院科研助理崔智铭、硕士生方宇、梅兰竹菊、上海交通大学医学院附属第九人民医院硕士生张博钧为论文的共同第一作者，重庆邮电大学通信学院讲师赵悦、西安交通大学数学与统计学院研究员练春锋、杭州市第一人民医院放射科主任医师丁忠祥、上海交通大学医学院附属第九人民医院口腔颅颌面科正颌正畸中心主任医师朱敏和上海科技大学生物医学工程学院教授沈定刚为论文的共同通讯作者。
论文信息：
Zhiming Cui, Yu Fang, Lanzhuju Mei, Bojun Zhang, Bo Yu, Jiameng Liu, Caiwen Jiang, Yuhang Sun, Lei Ma, Jiawei Huang, Yang Liu, Yue Zhao, Chunfeng Lian, Zhongxiang Ding, Min Zhu, Dinggang Shen, A fully automatic AI system for tooth and alveolar bone segmentation from cone-beam CT images, Nature Communications, 2022.
