Summary

Affidabilità della tomografia computerizzata a fascio conico basata sull'intelligenza artificiale Integrazione con immagini dentali digitali

Published: February 23, 2024
doi:

Summary

È stato presentato un processo di registrazione di scansioni di tomografia computerizzata a fascio conico e immagini dentali digitali utilizzando l’identificazione assistita dall’intelligenza artificiale (AI) dei punti di riferimento e della fusione. Un confronto con la registrazione basata sulla superficie mostra che la digitalizzazione e l’integrazione basate sull’intelligenza artificiale sono affidabili e riproducibili.

Abstract

Questo studio mirava a introdurre la digitalizzazione della tomografia computerizzata a fascio conico (CBCT) e l’integrazione di immagini dentali digitali (DDI) basate sulla registrazione basata sull’intelligenza artificiale (AI) (ABR) e a valutare l’affidabilità e la riproducibilità utilizzando questo metodo rispetto a quelle della registrazione basata sulla superficie (SBR). Questo studio retrospettivo consisteva in immagini CBCT e DDI di 17 pazienti sottoposti a chirurgia ortognatica bimascellare assistita da computer. La digitalizzazione delle immagini CBCT e la loro integrazione con DDI sono state ripetute utilizzando un programma basato sull’intelligenza artificiale. Le immagini CBCT e DDI sono state integrate utilizzando una registrazione point-to-point. Al contrario, con il metodo SBR, i tre punti di riferimento sono stati identificati manualmente sulla CBCT e sulla DDI, che sono stati integrati con il metodo iterativo dei punti più vicini.

Dopo due ripetute integrazioni di ciascun metodo, sono stati ottenuti i valori delle coordinate tridimensionali dei primi molari mascellari e degli incisivi centrali e le loro differenze. È stato eseguito un test del coefficiente intraclasse (ICC) per valutare l’affidabilità intra-osservatore con le coordinate di ciascun metodo e confrontare la loro affidabilità tra ABR e SBR. L’affidabilità intra-osservatore ha mostrato ICC significativo e quasi perfetto in ciascun metodo. Non c’era alcuna significatività nella differenza media tra la prima e la seconda registrazione in ciascun ABR e SBR e tra i due metodi; tuttavia, i loro intervalli erano più ristretti con ABR che con il metodo SBR. Questo studio dimostra che la digitalizzazione e l’integrazione basate sull’intelligenza artificiale sono affidabili e riproducibili.

Introduction

La tecnologia digitale tridimensionale (3D) ha ampliato l’ambito della diagnosi e della pianificazione per il trattamento ortodontico o chirurgico-ortodontico. Una testa virtuale costruita da un’immagine di tomografia computerizzata a fascio conico facciale (CBCT) può essere utilizzata per valutare anomalie dentofacciali e dentali, pianificare la chirurgia ortognatica, fabbricare wafer dentali e guide chirurgiche implantari utilizzando la progettazione e la produzione assistita da computer 1,2,3,4. Tuttavia, le scansioni CBCT hanno una bassa rappresentazione della dentatura, compresa la morfologia dentale e la relazione interocclusale, che sono dovute alla loro risoluzione limitata e agli artefatti striati del restauro dentale o dei bracket ortodontici5. Pertanto, le caratteristiche dentali sono state sostituite sulle immagini CBCT con immagini dentali digitali (DDI), come i calchi scansionati o le immagini di scansione intraorale.

Per un’integrazione affidabile della DDI sulle immagini CBCT, numerosi studi hanno riportato vari metodi come l’uso di marcatori fiduciali 6,7,voxel 8 e registrazioni basate sulla superficie (SBR)9,10. Queste procedure hanno i loro metodi di utilizzo di marcatori extraorali, scansioni CBCT multiple e fasi di processo aggiuntive come la pulizia di artefatti metallici sulle immagini CBCT. Per quanto riguarda l’accuratezza SBR, diversi studi precedenti hanno riportato errori che vanno da 0,10 a 0,43 mm 9,11. Inoltre, Zou et al. hanno valutato l’affidabilità e gli errori intra/inter-osservatori tra un ingegnere digitale e un ortodontista utilizzando SBR e hanno riportato la necessità di esperienza clinica e apprendimento ripetuto10.

L’intelligenza artificiale (AI) è stata utilizzata per prevedere i risultati del trattamento12 e digitalizzare i punti di riferimento sulle radiografie cefalometriche13 o sulle immagini CBCT 14,15,16 e attualmente sono disponibili alcuni software commerciali per assistere in questo processo17. L’identificazione accurata dei punti di riferimento anatomici sulle immagini 3D è difficile a causa dell’ambiguità delle superfici piane o delle strutture curve, delle aree a bassa densità e dell’ampia variabilità delle strutture anatomiche.

L’automazione basata sull’intelligenza artificiale e l’apprendimento automatico possono essere applicate non solo per la digitalizzazione, ma anche per l’integrazione di DDI e CBCT dentofacciale. Tuttavia, ci sono poche ricerche sull’accuratezza di una registrazione basata sull’intelligenza artificiale (ABR) rispetto al metodo basato sulla superficie esistente. Per ottenere risultati più accurati dei cambiamenti scheletrici e dentali 3D attraverso la chirurgia ortognatica bimascellare, è necessario valutare l’accuratezza dei programmi basati sull’intelligenza artificiale durante la fusione di CBCT e DDI. Pertanto, questo articolo presenta un protocollo passo-passo per la digitalizzazione e l’integrazione di CBCT e DDI con una registrazione basata sull’intelligenza artificiale (ABR) e per valutarne l’affidabilità e la riproducibilità rispetto a quella di SBR.

Protocol

Questo studio retrospettivo è stato esaminato e approvato dall’Institutional Review Board dell’Ospedale Bundang dell’Università Nazionale di Seoul (B-2205-759-101) ed è conforme ai principi della Dichiarazione di Helsinki. Nello studio sono stati utilizzati file DICOM (Digital Imaging and Communications in Medicine) da CBCT e DDI in formato STL (Standard Tessellation Language) dal calco dentale. La necessità del consenso informato è stata rinunciata a causa della natura retrospettiva dello studio. <p class="jove…

Representative Results

Qui abbiamo descritto il processo di integrazione di CBCT e DDI utilizzando un programma basato sull’intelligenza artificiale. Per valutarne l’affidabilità e la riproducibilità, è stato condotto uno studio comparativo con registrazione basata sulla superficie (SBR). È stato determinato che era richiesta una dimensione minima del campione di dieci dopo un’analisi di potenza sotto correlazione ρ H1 = 0,77, α = 0,05 e potenza (1−β) = 0,8018. Sono state studiate un totale di 17 serie di scans…

Discussion

Utilizzando il protocollo presentato, la digitalizzazione dei punti di riferimento e l’integrazione di CBCT e DDI possono essere facilmente realizzate utilizzando un software di apprendimento automatico. Questo protocollo richiede i seguenti passaggi critici: i) riorientamento della testa nella scansione CBCT, ii) digitalizzazione di CBCT e DDI e iii) fusione delle immagini CBCT con la DDI. La digitalizzazione di cinque punti di riferimento per il riorientamento della testa è fondamentale perché determina la posizione …

Divulgazioni

The authors have nothing to disclose.

Acknowledgements

Questo studio è stato supportato dal Fondo di ricerca dell’ospedale Bundang dell’Università nazionale di Seoul (SNUBH). (Sovvenzione n. 14-2019-0023).

Materials

G*Power  Heinrich Heine Universität, Dϋsseldorf, Germany v. 3.1.9.7 A sample size calculuation software
Geomagic Qualify® 3D Systems,
Morrisville, NC, USA
v 2013 3D metrology feature and automation software,
which transform scan and probe data into 3D to be used in design, manufacturing and metrology applications 
KODAK 9500 Carestream Health Inc., Rochester, NY, USA 5159538 Cone Beam Computed Tomograph (CBCT)
MD-ID0300 Medit Co, Seoul, South Korea
Seoul, Korea
61010-1 Desktop model scanner 
ON3D 3D ONS Inc.,
Seoul, Korea
v 1.3.0 Software for 3D CBCT evaluation; AI-based landmark identification, craniofacial and TMJ analysis, superimposition, and virtual orthognathic surgery
SPSS  IBM, Armonk, NY, USA v 22.0  A statistic analysis program

Riferimenti

  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).

Play Video

Citazione di questo articolo
Lee, J., Lee, N., Zou, B., Park, J. H., Choi, T. Reliability of Artificial Intelligence-Based Cone Beam Computed Tomography Integration with Digital Dental Images. J. Vis. Exp. (204), e66014, doi:10.3791/66014 (2024).

View Video