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

2.1K 次观看

⸱

DOI：

10.3791/66014

⸱

2024年2月23日

 ,  ,  ,  , 
1Department of Orthodontics, Seoul National University Bundang Hospital, 2Division of Orthodontics, Faculty of Dentistry, University of British Columbia, 3Postgraduate Orthodontic Program, Arizona School of Dentistry & Oral Health, A. T. Still University, 4Graduate School of Dentistry, Kyung Hee University

* These authors contributed equally

本文内容

摘要

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。

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。

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

  1. 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。
  2. 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。
  3. 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。
  4. 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）

  1. CBCT 重新定位与数字化
    1. 打开软件并点击 加载DICOM文件 导入CBCT DICOM文件的按钮。
    2. 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。
    3. 点击 的 重新定位 按钮在 标志性面板 (图1).
    4. 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。
      1. 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。
      2. 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.
      3. 在 轴向视图，调整 前后位置 与最前点处相同。
    5. 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).
      1. 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。
      2. 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.
      3. 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。
    6. 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。
    7. R Po（眶下点）：点击 最上点 的 右侧外耳道轮廓 在 3D 模型 (图2).
      1. 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.
      2. 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。
      3. 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.
    8. 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。
    9. 点击 完成 按钮以完成重建颅面模型的重新定位。
    10. 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。
    11. 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。
    12. 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

  1. 在工具面板中点击牙列扫描配准按钮（图4）。
  2. 在牙列配准面板中选择上颌牙列，然后点击加载按钮。
  3. 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）。
  4. 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。
  5. 在牙列配准面板中点击完成按钮。
  6. 点击是按钮以确认自动配准（图6）。
  7. 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）。
  8. 此时，DDI已与重建的CBCT模型合并（图7）。
    1. 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）

  1. 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）。

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）19分析各ABR、SBR方法内部以及两者之间的解剖标志点坐标的可靠性，以评价其可重复性。

R-/L-U6CP 和 R U1CP 的 x、y、z 坐标值在 ABR 中具有显著且几乎完美的观察者内部可靠性（0.950 ≤ ICC ≤ 0.998），在 SBR 中亦接近完美（0.886 ≤ ICC ≤ 0.997）（表 1）。大多数解剖标志点的 y 和 z 坐标值在 SBR 与 ABR 之间的可靠性差异显著，显示出几乎完美到 substantial 的一致性。然而，R-/L-U6CP 和 R U1CP 的 x 坐标值分别仅呈现中等、一般及较低的一致性，且差异无统计学意义。

如表2所示，每种方法在重复配准中所有坐标值的平均差异均无显著性差异。ABR的x坐标差异范围为-0.005至-0.098 mm，SBR为-0.212至0.013 mm；y坐标差异范围ABR为-0.084至-0.314 mm，SBR为-0.007至0.084 mm；z坐标差异范围ABR为-0.005至0.045 mm，SBR为-0.567至0.074 mm。然而，ABR与SBR在首次和第二次配准之间的平均差异无显著性差异。

成像软件中体积或切片视图的地标选择图形用户界面中的重新定向按钮。
图1：颅面模型的重新定向。 此操作通过点击地标面板中的重新定向按钮启动。请点击此处查看此图的放大版本。

3D 颅骨分析示意图；解剖学标志点；颅骨测量可视化。
图2：用于重新定位重建颅面模型的五个基本标志点：鼻根点、左右眶下点以及左右外耳道上点。 请点击此处查看该图的放大版本。

颅底标注、CT扫描上的骨骼标志点选取、三维分析、正畸研究。
图3：初步自动标志点选取后的标志点及其坐标。 可通过点击 Volume 选项卡中的 Manual Landmark Picking 按钮对标志点进行审阅和修改。请点击此处查看此图的放大版本。

牙科扫描配准界面，显示颅骨成像和3D打印的软件工具选项
图4：开始将数字化牙科图像与重新定向的颅面模型进行合并。 操作方法是在工具面板中点击牙列扫描配准按钮。请点击此处查看该图的放大版本。

牙弓排列分析；带有标记的三维牙齿位置的正畸矫正示意图。
图 5：加载的数字化牙科图像上三个配准标志点的位置。 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）。这些标志点通过机器学习自动化方法同时完成校准。请点击此处查看该图的放大版本。

带有自动配准提示的三维牙科扫描图像，用于对齐分析的轴向和矢状视图。
图 6：加载的数字化牙科图像与锥形束CT（CBCT）上三个配准标志点的确认。 上颌第一磨牙的右侧和左侧近中颊尖（R U6CP，L U6CP）以及右侧上颌中切牙中点（R U1CP）。点击 是 按钮将执行自动配准。缩写：CBCT = 锥形束计算机断层扫描。 请点击此处查看该图的放大版本。

用于正畸评估的颅骨CT扫描图像，绿色高亮显示牙列对齐分析。
图7：颅面结构重建模型与数字化牙科图像融合。 请点击此处查看该图的放大版本。

牙列配准界面，用于选择标志点的上颌和下颌选择按钮。
图8：修改配准结果。 在修改配准时，点击牙列配准面板中的选择配准标志点按钮。请点击此处查看该图的放大版本。

用于解剖学研究的三维颅骨示意图，显示X、Y、Z平面及鼻根点坐标（0,0,0）
图9：程序中的参考平面。 X平面（水平面）是通过鼻根点并平行于眶耳平面（FH平面）的平面，后者经过左侧和右侧眶下点以及右侧耳点。Y平面（正中矢状面）垂直于X平面，穿过鼻根点和枕骨基点。Z平面（冠状面）是通过鼻根点（原点；0, 0, 0）且垂直于水平面和正中矢状面的平面。请点击此处查看该图的放大版本。

三维牙弓重建；图A和图B；牙科建模与对齐分析。
图 10：上颌数字化牙科图像与重建CBCT图像牙科部分的基于表面的配准。（A）融合前和（B）融合后。首先，使用CBCT和DDI中上颌第一磨牙的近中颊尖以及中切牙的接触点进行初始点配准。随后，采用迭代最近点算法对表面进行配准，以实现更精确的融合。缩写：CBCT = cone-beam computed tomography；DDI = digital dental images。请点击此处查看该图的放大版本。

表1：在每种基于人工智能的配准（ABR）和基于表面的配准（SBR）方法内及两者之间，整合面部锥形束CT（CBCT）与数字化牙科图像时，每个解剖标志点在三个坐标方向上的可靠性。*配对t检验；†独立样本t检验。组内相关系数（ICC）>0.8、>0.6、>0.4、>0.2 或 ≤0.2 分别表示一致性强度为极好、良好、中等、一般或较差。缩写：CBCT = 锥形束计算机断层扫描；AI = 人工智能；ABR = 基于人工智能的配准；SBR = 基于表面的配准；CI = 置信区间；ICC = 组内相关系数。请点击此处下载该表格。

表2：使用ABR和SBR对重复配准的面部CBCT与数字化牙科图像中每个解剖标志点在三个坐标上的平均差异。 Δ（第1次-第2次），表示DDI与面部锥形束CT（CBCT）图像在第1次（1st）和第2次（2nd）配准之间，每个解剖标志点在x、y、z坐标上的平均差异。*配对t检验；†独立 t 测试； bWilcoxon 符号秩检验。显著性水平设定为 P < 0.05。缩写：CBCT = 锥形束计算机断层扫描；AI = 人工智能；ABR = 基于人工智能的配准；SBR = 基于表面的配准；S.D. = 标准差 请点击此处下载此表格。

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CBCT与DDI融合耗时2–3秒。此外，根据所选标志点组的不同，整个CBCT中自动标志点识别的耗时在30秒至2分钟之间不等。

当某些标志点的数字化不够精确时，可通过手动数字化并点击手动配准进行修正。如果存在解剖学或形态学上的变异（例如缺失中切牙或第一磨牙），临床医生可通过在锥形束CT（CBCT）和数字牙列模型（DDI）中自定义特定点位以相互匹配，从而识别特定的标志点。

关于CBCT与DDI结合不同配准方法的平均误差，既往使用标记物的研究报道的配准误差范围为0.1至0.5 mm20。在一种抗伪影的基于表面的配准方法中，Lin等 报道的精度误差为0.10至0.43 mm11。然而，在本研究中，ABR的平均差异范围小于SBR（0.001至0.314 mm；表2）。这表明ABR可能比SBR具有更高的精度。有趣的是，上颌中切牙在ABR中的z坐标以及在SBR中的x坐标表现出相对较小的平均误差。这可能是由于ABR与SBR中上颌中切牙所采用的解剖标志点不同所致，分别为上颌中切牙的中点和邻接点。

此外，在融合锥形束CT（CBCT）与数字牙科影像（DDI）时，金属伪影以及操作者的经验水平可能会影响配准的准确性。Nkenke等人报道，在未进行金属伪影校正和进行校正的情况下，误差分别为0.13 mm和0.27 mm21。另一项研究发现，上颌牙齿在不同操作者组之间x坐标值的可重复性较差至中等，SBR法也显示出类似结果10。与此一致的是，在本研究中，上颌第一磨牙和切牙的x坐标值在ABR与SBR方法间的比较显示出中等至较差的一致性。此外，大多数解剖标志点在y轴和z轴坐标的可靠性几乎完全至高度一致，而x轴坐标的可靠性则表现为中等到较低的一致性（表1）。这种x坐标上的一致性差异可能源于第一磨牙咬合面磨损以及上颌中切牙拥挤或间隙导致的解剖标志点定位模糊。

关于人工智能识别锥形束CT（CBCT）图像，位于骨嵴、边缘、根尖以及密度差异明显的区域之间的解剖标志点更容易定位，因此通常具有最高的定位精度22。Guillot 等人发现，颅底的标志点比上颌和下颌的标志点具有更高的定位精度14。然而，这些研究并未将CBCT与数字牙科影像（DDI）融合，且仅评估了人工智能在CBCT图像中对解剖标志点的识别能力。

本研究采用的样本量较小，用于评估自动骨性标志点识别（ABR）的可靠性；未来需要更大样本量的研究进一步验证。考虑到本研究仅由一名检查者完成，不同检查者之间的差异可能影响结果的可靠性，值得进一步研究。此外，由于该协议基于机器学习算法，其中卷积神经网络是利用样本数据库构建的，因此该数据库应定期更新。需认识到，牙齿和面部骨骼的解剖结构存在多样性，尤其是在牙颌面畸形患者中，锥形束CT（CBCT）和数字断层融合成像（DDI）的放射密度差异以及图像分辨率的不同，可能导致数据表征不充分。该ABR协议可应用于种植或牙周手术的术前设计，以及计算机辅助的正颌外科和正畸治疗的模拟。

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）。

材料

本文使用的材料清单
姓名公司目录编号评论
G*Power Heinrich Heine Universität, D?sseldorf, Germanyv. 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 9500Carestream Health Inc., Rochester, NY, USA5159538锥形束计算机断层扫描仪（CBCT）
MD-ID0300Medit Co, Seoul, South Korea
Seoul, Korea		61010-1台式模型扫描仪 
ON3D3D 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, USAv 22.0 一款统计分析程序

参考文献

  1. 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).
  2. 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).
  3. 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).
  4. 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).
  5. 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).
  6. 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).
  7. 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).
  8. 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).
  9. 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).
  10. 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).
  11. 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).
  12. 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).
  13. Bao, H., et al. Evaluating the accuracy of automated cephalometric analysis based on artificial intelligence. BMC Oral Health. 23 (1), 1-10 (2023).
  14. Gillot, M., et al. Automatic landmark identification in cone-beam computed tomography. Orthod Craniofac Res. , (2023).
  15. 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).
  16. 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).
  17. Urban, R., et al. AI-assisted CBCT data management in modern dental practice: Benefits, limitations and innovations. Electronics. 12 (7), 1710(2023).
  18. 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).
  19. Landis, J. R., Koch, G. G. The measurement of observer agreement for categorical data. Biometrics. 33, 159-174 (1977).
  20. 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).
  21. 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).
  22. 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).

重印与许可

标签

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
联系我们
向图书馆推荐

隐私政策

使用条款

政策

版权所有 © 2026 MyJoVE Corporation。保留所有权利。