提出了一种利用人工智能（AI）辅助识别标志点并进行融合的锥形束计算机断层扫描图像与数字化牙科图像配准方法。与基于表面的配准方法相比，基于人工智能的数字化与整合具有可靠性和可重复性。
需要JoVE订阅才能观看此内容。 请登录或开始免费试用
方法文章
基于人工智能的锥形束计算机断层扫描与数字牙科影像融合的可靠性
* These authors contributed equally
本文内容
摘要
摘要
本研究旨在介绍基于人工智能配准（ABR）的锥形束计算机断层扫描（CBCT）数字化及数字牙科图像（DDI）的融合方法，并评估该方法相较于基于表面配准（SBR）的可靠性与可重复性。本回顾性研究纳入了17例接受计算机辅助双颌正颌手术患者的CBCT图像和DDI数据。采用基于人工智能的程序重复进行CBCT图像的数字化及其与DDI的融合。CBCT图像与DDI通过点对点配准方式进行融合。相比之下，在SBR方法中，需在CBCT和DDI上手动识别三个解剖标志点，并采用迭代最近点法实现图像融合。
每种方法重复配准两次后，获得了上颌第一磨牙和中切牙的三维坐标值及其差异。采用组内相关系数（ICC）检验评估每种方法坐标的观察者内可靠性，并比较ABR与SBR两种方法之间的可靠性。结果显示，两种方法的观察者内可靠性均表现出显著且接近完美的ICC值。在ABR和SBR各自的方法中，第一次与第二次配准之间的平均差异无统计学意义，两种方法之间的差异亦无统计学意义；然而，ABR的差异范围较SBR更窄。本研究表明，基于人工智能的数字化与配准具有良好的可靠性和可重复性。
引言
三维（3D）数字技术拓宽了正畸或正颌-正畸联合治疗的诊断与规划范围。通过锥形束计算机断层扫描（CBCT）图像构建的虚拟头颅模型可用于评估牙颌面及牙齿异常、规划正颌手术，并利用计算机辅助设计与制造技术制作牙合板 和种植外科导板1,2,3,4。然而，CBCT扫描对牙列的呈现能力有限，包括牙体形态和咬合关系，这主要归因于其分辨率不足以及牙体修复体或正畸托槽引起的条纹伪影5。因此，通常需将数字牙科图像（DDI）——如模型扫描图像或口内扫描图像——融合至CBCT图像中以弥补牙齿结构信息的缺失。
为了在锥形束CT（CBCT）图像上实现数字化印模（DDI）的可靠配准，已有大量研究报道了多种方法，例如使用基准标记物6,7、基于体素的配准方法8以及基于表面的配准（SBR）9,10。这些方法通常涉及使用口外标记物、多次CBCT扫描，以及额外的处理步骤，例如清除CBCT图像中的金属伪影。关于SBR的准确性，先前多项研究报道其误差范围在0.10至0.43 mm之间9,11。此外，Zou等人评估了使用SBR时的组内/组间观察者可靠性，并分析了数字工程师与正畸医生之间的误差，指出临床经验与反复学习的必要性10。
人工智能（AI）已被用于预测治疗效果12，以及在头影测量X线片13或锥形束CT（CBCT）图像14,15,16上进行标志点的数字化，目前已有部分商业软件可用于辅助完成这一过程17。由于平面或曲面结构的模糊性、低密度区域的存在，以及解剖结构的高度变异性，准确识别三维图像上的解剖标志点仍具有挑战性。
基于人工智能的机器学习自动化不仅可用于数字化，还可用于DDI与牙颌面锥形束CT（CBCT）的融合。然而，目前关于基于人工智能的配准（ABR）与现有基于表面的配准方法相比的准确性研究仍较少。为了通过双颌正颌手术更精确地评估三维骨骼与牙齿的变化，有必要在融合CBCT与DDI时评估基于人工智能程序的准确性。因此，本文提供了一套逐步操作方案，用于通过基于人工智能的配准（ABR）实现CBCT与DDI的数字化与整合，并评估其相对于表面配准法（SBR）的可靠性与可重复性。
访问受限。请登录或开始试用以查看此内容。
方案
本回顾性研究经首尔国立大学盆塘医院机构审查委员会批准（批准号：B-2205-759-101），并遵循《赫尔辛基宣言》的原则。研究中使用了锥形束CT（CBCT）的医学数字成像和通信（DICOM）文件，以及从牙科模型获取的标准三角语言（STL）格式的数字直接成像（DDI）文件。由于本研究为回顾性研究，免除了知情同意的要求。
1. 锥形束CT与数字化牙科图像（DDI）的获取
- 根据以下纳入标准选择患者：骨性III类错𬌗；通过计算机辅助设计进行双颌手术；以及使用固定直丝弓矫治器进行正畸治疗。
- 排除患有颅面综合征、唇腭裂，或缺失上颌第一磨牙或右上中切牙的患者。
- 获取锥形束CT（CBCT）扫描图像，扫描视野为200 mm × 180 mm，体素大小为0.2 mm，曝光条件为80 kVp、15 mA、10.8 s。确保患者处于直立位，牙齿位于最大牙尖交错位。将扫描结果保存为医学数字成像与通信（DICOM）数据文件。
- 通过牙科石膏模型或直接口内扫描获取数字牙模（DDI），并以标准三角语言（STL）格式分别保存上颌和下颌牙列。
2. 基于人工智能的配准方案（ABR）
- CBCT 重新定位与数字化
- 打开软件并点击 加载DICOM文件 导入CBCT DICOM文件的按钮。
- 选择 DICOM 数据文件夹中的任意一个 DICOM 文件并单击 开放.
注意：加载DICOM文件后，软件会自动将其重建为锥形束CT（CBCT）颅面容积数据。 - 点击 的 重新定位 按钮在 标志性面板 (图1).
- N（鼻根点）：点击 V型缺口 的 额骨 在 3D 视图 (图2). 单击后立即观察，蓝色圆点（已激活）变为红色叉号，该叉号同样会出现在轴向、矢状向和冠状向视图中。单击 蓝色三角形箭头 前后移动以确定解剖标志。
- 在 矢状面视图，上下滚动鼠标滚轮，找到额鼻缝与鼻骨和额骨相交的最前点，单击以确定该解剖标志点的垂直和前后位置。
- 在 冠状面视图，上下滚动鼠标滚轮，找到鼻骨即将消失的瞬间，以确保定位最前点，然后点击确定 水平位置 的 鼻根点.
- 在 轴向视图，调整 前后位置 与最前点处相同。
- R Or（眶下点）：点击 最下端点 在 右眼眶轮廓边缘 在 3D 模型 (图2).
- 在 冠状面视图，滚动鼠标滚轮上下移动以找到 右眼眶下缘的最低点 并单击。
- 在 矢状面视图，点击 右侧上颌骨或颧骨结构的最上点 构成的 眼眶下缘.
- 在 轴向视图，滚动鼠标并点击，使红色十字准确定位于眼眶边缘交界处。
- L Or（眶下点）：点击 最下端点 在 左眼眶轮廓边缘 在 3D 模型 (图2）并按照 R Or 的操作流程修改三个视图上的点。
- R Po（眶下点）：点击 最上点 的 右侧外耳道轮廓 在 3D 模型 (图2).
- 在 冠状面视图，点击 右侧颞骨的最低点 以确定 水平的 和 垂直位置.
- 在 矢状面视图，点击 最上点 的 右侧外耳道轮廓 调整垂直和前后位置。
- 在 轴向视图，滚动鼠标滚轮并点击所需位置 外耳道出现，其中的 颞骨的轮廓线消失.
- L Po（前耳点）：点击 最上点 的 左侧外耳道轮廓 在 3D 模型 (图2）并参照R Po的流程，在三个多平面视图中调整该点。
注意：重建的颅面模型中的五个基本骨骼标志点，包括鼻根点、左右眶点以及左右耳点图2），现已得到鉴定。 - 点击 完成 按钮以完成重建颅面模型的重新定位。
- 点击 Landmark 面板中的初步标记点选取按钮，并选择 牙齿排列 I 标志点组.
注意：颅底、颞下颌关节、上颌骨、下颌骨、牙列 I 和软组织等标志点组已选用于颅面分析。 - 点击 执行 按钮在 初步标志点选取面板 让软件自动选取初步的标记点并确定其坐标。
- 修改标记点时，请按 手动标记点选取 按钮在 体积 标签，进行必要的调整，然后点击 完成 确认按钮（图3).
3. DDI 合并流程
- 在工具面板中点击牙列扫描配准按钮（图4）。
- 在牙列配准面板中选择上颌牙列，然后点击加载按钮。
- 在文件夹中选择与CBCT模型同一位患者的STL文件，以加载上颌牙列STL文件。打开STL文件后，屏幕右侧显示数字牙列图像（DDI），左侧显示CBCT的四个视图（3D、轴向、矢状向和冠状向）。
- 通过切换蓝色三角箭头，在已加载的DDI上选取配准标志点：右上颌第一磨牙的近中颊尖（R U6CP）、右上颌中切牙切缘中点（R U1CP）以及左上颌第一磨牙的近中颊尖（L U6CP）（图5）。
注意：鼠标左键点击并拖动可旋转DDI，右键点击并拖动可放大或缩小。标志点在手动数字化后，将由机器学习算法自动进行同步校准。 - 在牙列配准面板中点击完成按钮。
- 点击是按钮以确认自动配准（图6）。
- 对于下颌牙列的合并，选择下颌牙列，然后在牙列配准面板中点击加载按钮。重复步骤3.2至3.6。在下颌牙列上选取配准标志点：右/左下颌第一磨牙的近中颊尖（R-/L- L6CP）、右下颌第一切牙切缘中点（R L1CP）。
- 此时，DDI已与重建的CBCT模型合并（图7）。
- 如需调整合并效果，请在牙列配准面板中点击选取配准标志点按钮（图8）。
4. 获取每个标记点的三维坐标值（x、y 和 z）
- 在Volume选项卡中点击Manual Landmark Picking按钮，或点击Analysis tab以获取标志点的三维坐标值。如需导出数据，请进入analysis tab
→data export panel，然后点击Landmark按钮，将数据保存为文件。
注意：X平面（水平面）是通过Nasion点且平行于Frankfort水平面（FH平面）的平面，FH平面通过左侧和右侧Orbitale点以及右侧Porion点。Y平面（正中矢状面）垂直于X平面，穿过Nasion点和basion点。Z平面（冠状面）通过Nasion点（原点；0, 0, 0）并垂直于水平面和正中矢状面（图9）。
访问受限。请登录或开始试用以查看此内容。
结果
本文描述了使用基于人工智能的程序整合锥形束CT（CBCT）与数字牙科图像（DDI）的过程。为评估其可靠性和可重复性，开展了与基于表面配准（SBR）方法的对比研究。在相关性ρ H1 = 0.77、α = 0.05、检验效能（1−β）= 0.80的条件下进行功效分析后，确定所需最小样本量为10例18。研究共纳入2016年3月至2019年10月期间在中国首尔大学盆塘医院收治的正颌患者17例，每例均包含一组CBCT扫描数据和数字牙科图像。同一检查者（一名接受过超过1.5年解剖标志点识别训练的正畸科住院医师）对同一批样本分别重复执行了两次完整的SBR和ABR流程。SBR操作流程参照既往部分研究的方法9,10（图10）。评估了两种方法在重复配准后R-/L-U6CP及R-U1CP坐标值在x、y、z三个方向上的平均差异。所有数据均采用SPSS 22.0软件进行统计分析。通过组内相关系数（ICC）...
访问受限。请登录或开始试用以查看此内容。
讨论
通过本方案，可利用机器学习软件轻松实现标志点的数字化，并整合锥形束CT（CBCT）与数字化牙模（DDI）。该方案需完成以下关键步骤：i）在CBCT扫描中重新定位头部；ii）CBCT与DDI的数字化；iii）将CBCT图像与DDI进行融合。头部重新定位所涉及的五个标志点的数字化至关重要，因其决定了头部在空间区域中相对于参考平面的三维位置。DDI上的三个标志点（R-/L-U6CP 和 R U1CP）在手动数字化后，由机器学习自动化完成校准。唯一需要手动操作的步骤是在重建的CBCT模型中定位五个基本骨骼标志点，包括鼻根点（Nasion）、左右眶点（orbitales）和耳点（porions）（图2），以及DDI中的三个牙科标志点，即R-/L-U6CP和R U1CP（图5）。因此，操作者需具备上述八个标志点数字化的经验，否则可能影响配准的误差。对于程序专家而言，采用SBR方法完成CBCT与DDI融合的平均耗时为3–4分钟。在ABR程序中，选择五个用于重新定位的标志点平均耗时50秒，选择DDI中三个标志点耗时40秒，程序完成CB...
访问受限。请登录或开始试用以查看此内容。
披露
作者声明无利益冲突。
致谢
本研究由首尔国立大学盆唐医院（SNUBH）研究基金资助（资助编号：14-2019-0023）。
访问受限。请登录或开始试用以查看此内容。
材料
| 姓名 | 公司 | 目录编号 | 评论 |
|---|---|---|---|
| G*Power | Heinrich Heine Universität, D?sseldorf, Germany | v. 3.1.9.7 | 一款样本量计算软件 |
| Geomagic Qualify® | 3D Systems, Morrisville, NC, USA | v 2013 | 三维计量特征与自动化软件， 可将扫描和探针数据转换为三维模型，用于设计、制造和计量应用 |
| KODAK 9500 | Carestream Health Inc., Rochester, NY, USA | 5159538 | 锥形束计算机断层扫描仪（CBCT） |
| MD-ID0300 | Medit Co, Seoul, South Korea Seoul, Korea | 61010-1 | 台式模型扫描仪 |
| ON3D | 3D ONS Inc., Seoul, Korea | v 1.3.0 | 用于三维CBCT评估的软件；基于人工智能的标志点识别、颅面及颞下颌关节分析、图像叠加以及虚拟正颌外科手术 |
| SPSS | IBM, Armonk, NY, USA | v 22.0 | 一款统计分析程序 |
参考文献
- Plooij, J. M., et al. Digital three-dimensional image fusion processes for planning and evaluating orthodontics and orthognathic surgery. A systematic review. J Oral Maxillofac Surg. 40 (4), 341-352 (2011).
- Badiali, G., et al. Virtual orthodontic surgical planning to improve the accuracy of the surgery-first approach: A prospective evaluation. J Oral Maxillofac Surg. 77 (10), 2104-2115 (2019).
- Lee, C. Y., Ganz, S. D., Wong, N., Suzuki, J. B. Use of cone beam computed tomography and a laser intraoral scanner in virtual dental implant surgery: part 1. Implant Dent. 21 (4), 265-271 (2012).
- Park, J. H., et al. Creation of digital virtual patient by integrating CBCT, intraoral scan, 3D facial scan: an approach to methodology for integration accuracy. J Craniofac Surg. 33 (4), e396-e398 (2022).
- Almutairi, T., et al. Replacement of the distorted dentition of the cone-beam computed tomography scans for orthognathic surgery planning. J Oral Maxillofac Surg. 76 (7), 1561.e1-1561.e8 (2018).
- Rangel, F. A., Maal, T. J., Berge, S. J., Kuijpers-Jagtman, A. M. Integration of digital dental casts in cone-beam computed tomography scans. ISRN Dent. 2012, 949086(2012).
- Yang, W. M., Ho, C. T., Lo, L. J. Automatic superimposition of palatal fiducial markers for accurate integration of digital dental model and cone beam computed tomography. J Oral Maxillofac Surg. 73 (8), 1616.e1-1616.e10 (2015).
- Swennen, G. R., et al. A cone-beam computed tomography triple scan procedure to obtain a three-dimensional augmented virtual skull model appropriate for orthognathic surgery planning. J Craniofac Surg. 20 (2), 297-307 (2009).
- Noh, H., Nabha, W., Cho, J. H., Hwang, H. S. Registration accuracy in the integration of laser-scanned dental images into maxillofacial cone-beam computed tomography images. Am J Orthod Dentofacial Orthop. 140 (4), 585-591 (2011).
- Zou, B., et al. Accuracy of a surface-based fusion method when integrating digital models and the cone beam computed tomography scans with metal artifacts. Sci Rep. 12 (1), 8034(2022).
- Lin, H. H., et al. Artifact-resistant superimposition of digital dental models and cone-beam computed tomography images. J Oral Maxillofac Surg. 71 (11), 1933-1947 (2013).
- Park, J. H., et al. Use of artificial intelligence to predict outcomes of nonextraction treatment of Class II malocclusions. Semin Orthodontics. 27 (2), 87-95 (2021).
- Bao, H., et al. Evaluating the accuracy of automated cephalometric analysis based on artificial intelligence. BMC Oral Health. 23 (1), 1-10 (2023).
- Gillot, M., et al. Automatic landmark identification in cone-beam computed tomography. Orthod Craniofac Res. , (2023).
- Blum, F. M. S., et al. Evaluation of an artificial intelligence-based algorithm for automated localization of craniofacial landmarks. Clin Oral Invest. 27, 2255-2265 (2023).
- Al-Ubaydi, A. S., Al-Groosh, D. The validity and reliability of automatic tooth segmentation generated using artificial intelligence. The Scientific World Journal. 2023, 5933003(2023).
- Urban, R., et al. AI-assisted CBCT data management in modern dental practice: Benefits, limitations and innovations. Electronics. 12 (7), 1710(2023).
- Faul, F., Erdfelder, E., Buchner, A., Lang, A. G. Statistical power analyses using G*Power 3.1: tests for correlation and regression analyses. Behav Res Methods. 41 (4), 1149-1160 (2009).
- Landis, J. R., Koch, G. G. The measurement of observer agreement for categorical data. Biometrics. 33, 159-174 (1977).
- Uechi, J., et al. A novel method for the 3-dimensional simulation of orthognathic surgery by using a multimodal image-fusion technique. Am J Orthod Dentofacial Orthop. 130 (6), 786-798 (2006).
- Nkenke, E., et al. Fusion of computed tomography data and optical 3D images of the dentition for streak artifact correction in the simulation of orthognathic surgery. Dentomaxillofac Radiol. 33 (4), 226-232 (2004).
- Lagravère, M. O., et al. Intraexaminer and interexaminer reliabilities of landmark identification on digitized lateral cephalograms and formatted 3-dimensional cone-beam computerized tomography images. Am J Orthod Dentofacial Orthop. 137 (5), 598-604 (2010).
访问受限。请登录或开始试用以查看此内容。
重印与许可
