摘要:
目的 开发一种新的自动标记点检测框架,用于严重颅颌面畸形(Craniomaxillofacial deformities,CMFdeformities)的诊断和治疗,解决其数据量少、形态差异大的问题。方法 本研究基于三维点云变形模型和深度学习网络的方法,首先使用正常人数据通过变形模拟严重 CMF 患者数据进行数据增强,然后通过三维点云卷积神经网络(Convolutional neural network,CNN)语义分割模型进行标记点的粗略定位,再根据标记点是否位于骨缺损区域,分别使用不同的模型进行精细定位。结果 上述方法在正常标记点和缺损标记点的检测上均优于现有技术,CT扫描下的正常标记点和缺陷标记点的平均误差分别为1.19 mm和1.13 mm,CBCT扫描下分别为0.91 mm和0.94 mm。结论 新方法能有效提高严重CMF畸形标志点检测的准确性,对临床手术设计和患者治疗具有重要意义。
许梦, 罗召阳, 宋涛.
基于人工智能技术的颅颌面畸形自动化头影测量研究
[J]. 组织工程与重建外科杂志, 2024, 20(6): 605-.
XU Meng, LUO Zhaoyang, SONG Tao.
Automated cephalometric analysis of craniomaxillofacial deformities based on artificial intelligence technologies
[J]. Journal of Tissue Engineering and Reconstructive Surgery, 2024, 20(6): 605-.