RESEARCH
Peer reviewed scientific video journal
Video encyclopedia of advanced research methods
Visualizing science through experiment videos
EDUCATION
Video textbooks for undergraduate courses
Visual demonstrations of key scientific experiments
BUSINESS
Video textbooks for business education
OTHERS
Interactive video based quizzes for formative assessments
Products
RESEARCH
JoVE Journal
Peer reviewed scientific video journal
JoVE Encyclopedia of Experiments
Video encyclopedia of advanced research methods
EDUCATION
JoVE Core
Video textbooks for undergraduates
JoVE Science Education
Visual demonstrations of key scientific experiments
JoVE Lab Manual
Videos of experiments for undergraduate lab courses
BUSINESS
JoVE Business
Video textbooks for business education
Solutions
Language
pl_PL
Menu
Menu
Menu
Menu
A subscription to JoVE is required to view this content. Sign in or start your free trial.
Research Article
Ju-Heon Lee*1, Nam-Ki Lee*1, Bingshuang Zou2, Jae Hyun Park3,4, Tae-Hyun Choi1
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
Please note that some of the translations on this page are AI generated. Click here for the English version.
Erratum Notice
Important: There has been an erratum issued for this article. View Erratum Notice
Retraction Notice
The article Assisted Selection of Biomarkers by Linear Discriminant Analysis Effect Size (LEfSe) in Microbiome Data (10.3791/61715) has been retracted by the journal upon the authors' request due to a conflict regarding the data and methodology. View Retraction Notice
Proces rejestracji skanów tomografii komputerowej wiązki stożkowej i cyfrowych obrazów stomatologicznych został przedstawiony przy użyciu wspomaganej sztuczną inteligencją (AI) identyfikacji punktów orientacyjnych i łączenia. Porównanie z rejestracją powierzchniową pokazuje, że digitalizacja i integracja oparta na sztucznej inteligencji jest niezawodna i powtarzalna.
To badanie miało na celu wprowadzenie digitalizacji tomografii komputerowej wiązki stożkowej (CBCT) i integracji cyfrowych obrazów stomatologicznych (DDI) w oparciu o rejestrację opartą na sztucznej inteligencji (AI) (ABR) oraz ocenę wiarygodności i odtwarzalności przy użyciu tej metody w porównaniu z rejestracją powierzchniową (SBR). To retrospektywne badanie składało się z obrazów CBCT i DDI 17 pacjentów, którzy przeszli wspomaganą komputerowo chirurgię ortognatyczną dwuszczękową. Digitalizacja obrazów CBCT i ich integracja z DDI zostały powtórzone przy użyciu programu opartego na sztucznej inteligencji. Obrazy CBCT i DDI zostały zintegrowane za pomocą rejestracji punkt-punkt. Natomiast w przypadku metody SBR trzy punkty orientacyjne zostały zidentyfikowane ręcznie za pomocą CBCT i DDI, które zostały zintegrowane z iteracyjną metodą najbliższych punktów.
Po dwóch wielokrotnych integracjach każdej metody, uzyskano trójwymiarowe wartości współrzędnych pierwszych zębów trzonowych szczęki i siekaczy centralnych oraz ich różnice. Przeprowadzono testy współczynników wewnątrzklasowych (ICC) w celu oceny niezawodności wewnątrz obserwatora za pomocą współrzędnych każdej metody i porównania ich wiarygodności między ABR i SBR. Wiarygodność wewnątrz obserwatora wykazała znaczące i prawie doskonałe ICC w każdej z metod. Nie stwierdzono istotnej średniej różnicy między pierwszą i drugą rejestracją w każdym ABR i SBR oraz między obiema metodami; jednak ich zakresy były węższe w przypadku ABR niż w przypadku metody SBR. Badanie to pokazuje, że cyfryzacja i integracja oparta na sztucznej inteligencji są niezawodne i powtarzalne.
Trójwymiarowa (3D) technologia cyfrowa poszerzyła zakres diagnostyki i planowania leczenia ortodontycznego lub chirurgiczno-ortodontycznego. Wirtualna głowa skonstruowana na podstawie obrazu tomografii komputerowej wiązki stożkowej twarzy (CBCT) może być używana do oceny nieprawidłowości zębowo-twarzowych i zębowych, planowania chirurgii ortognatycznej, wytwarzania wafli dentystycznych i szablonów chirurgicznych implantów przy użyciu komputerowego wspomagania projektowania i produkcji1,2,3,4. Jednak skany CBCT mają niską reprezentację uzębienia, w tym morfologię zębów i pokrewieństwo międzyzgryzowe, co wynika z ich ograniczonej rozdzielczości i artefaktów smug z odbudowy zębów lub zamków ortodontycznych5. W związku z tym cechy zębów zostały zastąpione na obrazach CBCT cyfrowymi obrazami stomatologicznymi (DDI), takimi jak zeskanowane odlewy lub obrazy skanów wewnątrzustnych.
Dla niezawodnej integracji DDI na obrazach CBCT, liczne badania opisywały różne metody, takie jak użycie znaczników referencyjnych6,7, voxel-based8, oraz rejestracje oparte na powierzchni (SBR)9,10. Procedury te mają swoje metody wykorzystania markerów zewnątrzustnych, wielokrotnych skanów CBCT i dodatkowych etapów procesu, takich jak czyszczenie metalowych artefaktów na obrazach CBCT. Jeśli chodzi o dokładność SBR, kilka poprzednich badań wykazało błędy w zakresie od 0,10 do 0,43 mm9,11. Ponadto Zou i wsp. ocenili wiarygodność i błędy między obserwatorami a ortodontą za pomocą SBR i zgłosili potrzebę doświadczenia klinicznego i wielokrotnego uczenia się10.
Sztuczna inteligencja (AI) została wykorzystana do przewidywania wyników leczenia12 i digitalizacji punktów orientacyjnych na cefalometrycznych zdjęciach rentgenowskich13 lub obrazach CBCT14,15,16, a obecnie dostępne jest oprogramowanie komercyjne, które pomaga w tym procesie17. Dokładna identyfikacja anatomicznych punktów orientacyjnych na obrazach 3D jest trudna ze względu na niejednoznaczność płaskich powierzchni lub zakrzywionych struktur, obszary o niskiej gęstości i dużą zmienność struktur anatomicznych.
Oparta na sztucznej inteligencji automatyzacja oparta na uczeniu maszynowym może być zastosowana nie tylko do digitalizacji, ale także do integracji DDI i CBCT zębowo-twarzowej. Istnieje jednak niewiele badań dotyczących dokładności rejestracji opartej na sztucznej inteligencji (ABR) w porównaniu z istniejącą metodą opartą na powierzchni. Aby osiągnąć dokładniejsze wyniki zmian 3D szkieletu i zębów za pomocą chirurgii ortognatycznej dwuszczękowej, konieczna jest ocena dokładności programów opartych na sztucznej inteligencji podczas łączenia CBCT i DDI. W związku z tym w niniejszym artykule przedstawiono krok po kroku protokół digitalizacji i integracji CBCT i DDI z rejestracją opartą na sztucznej inteligencji (ABR) oraz oceny jego niezawodności i odtwarzalności w porównaniu z SBR.
To retrospektywne badanie zostało zrecenzowane i zatwierdzone przez Institutional Review Board of Seoul National University Bundang Hospital (B-2205-759-101) i było zgodne z zasadami Deklaracji Helsińskiej. W badaniu wykorzystano pliki Digital Imaging and Communications in Medicine (DICOM) z CBCT i DDI w formacie Standard Tessellation Language (STL) z odlewu dentystycznego. Konieczność uzyskania świadomej zgody została zniesiona ze względu na retrospektywny charakter badania.
1. Akwizycja CBCT i cyfrowych obrazów stomatologicznych (DDI)
2. Protokół rejestracji oparty na sztucznej inteligencji (ABR)
3. Procedura łączenia DDI
4. Uzyskiwanie wartości współrzędnych 3D (x, y i z) każdego punktu orientacyjnego
Tutaj opisaliśmy proces integracji CBCT i DDI za pomocą programu opartego na sztucznej inteligencji. Aby ocenić jego wiarygodność i odtwarzalność, przeprowadzono badanie porównawcze z rejestracją powierzchniową (SBR). Ustalono, że wymagana jest minimalna wielkość próby wynosząca dziesięć po analizie mocy w korelacji ρ H1 = 0,77, α = 0,05 i moc (1−β) = 0,8018. Zbadano łącznie 17 zestawów skanów CBCT i cyfrowych obrazów stomatologicznych od pacjentów z ortognatią w Narodowym Szpitalu Uniwersyteckim Bundang w Seulu od marca 2016 r. do października 2019 r. Całe procesy SBR i ABR dla tej samej populacji zostały powtórzone dwukrotnie przez tego samego egzaminatora, rezydenta ortodoncji, który szkolił się w rozpoznawaniu punktów orientacyjnych przez ponad 1,5 roku. SBR przeprowadzono za pomocą protokołu podobnego do tego, który zastosowano w niektórych poprzednich badaniach9,10 (Rysunek 10). Oceniono średnie różnice w wartościach współrzędnych x, y i z R-/L-U6CP i R U1CP po wielokrotnych integracjach z każdym programem. Wszystkie dane zostały przeanalizowane statystycznie za pomocą oprogramowania SPSS 22.0. Rzetelność współrzędnych punktów orientacyjnych analizowano w każdym ABR, SBR i pomiędzy nimi w celu oceny odtwarzalności za pomocą korelacji wewnątrzklasowej (ICC)19.
Wiarygodność wewnątrzobserwatora wartości współrzędnych x, y i z R-/L-U6CP i R U1CP była znacząca i prawie idealna odpowiednio dla ABR (0,950 ≤ ICC ≤ 0,998) i SBR (0,886 ≤ ICC ≤ 0,997) (Tabela 1). Różnica w niezawodności wartości współrzędnych y i z w większości punktów orientacyjnych była znacząca i wykazała niemal idealną lub istotną zgodność między SBR i ABR. Jednak wartości współrzędnych x R-/L-U6CP i R U1CP wykazywały odpowiednio umiarkowaną, przeciętną i niską zgodność i były nieistotne.
Jak pokazano w Tabeli 2, średnie różnice wszystkich wartości współrzędnych z powtarzających się całkowania nie różniły się znacząco w każdej metodzie. Różnice te na współrzędnych x wahały się od -0,005 do -0,098 mm dla ABR i od -0,212 do 0,013 mm dla SBR. Mieściły się one w zakresie od -0,084 do -0,314 mm na współrzędnych y dla ABR i od -0,007 do 0,084 mm dla SBR, a także od -0,005 do 0,045 mm na współrzędnych z dla ABR i od -0,567 do 0,074 mm dla SBR. Nie było jednak znaczenia w średniej różnicy między pierwszą a drugą rejestracją między ABR a SBR.

Rysunek 1: Reorientacja modelu twarzoczaszki. Jest to inicjowane przez kliknięcie przycisku Reorientacja w panelu Punkt orientacyjny. Kliknij tutaj, aby zobaczyć większą wersję tego rysunku.

Rysunek 2: Pięć podstawowych punktów orientacyjnych do reorientacji zrekonstruowanego modelu twarzoczaszki; nasion, prawy i lewy orbitale oraz prawy i lewy porion. Kliknij tutaj, aby zobaczyć większą wersję tego rysunku.

Rysunek 3: Punkty orientacyjne i ich współrzędne po wstępnym automatycznym wyborze punktu orientacyjnego. Przeglądy i modyfikacje punktów orientacyjnych można wykonać, klikając przycisk Ręczne wybieranie punktów orientacyjnych w zakładce Objętość. Kliknij tutaj, aby zobaczyć większą wersję tego rysunku.

Rysunek 4: Rozpoczęcie łączenia cyfrowych obrazów zębów ze zmienionym modelem twarzoczaszki. W tym celu należy kliknąć przycisk Rejestracja skanowania uzębienia w panelu Narzędzia. Kliknij tutaj, aby zobaczyć większą wersję tego rysunku.

Rysunek 5: Lokalizacja trzech punktów rejestracyjnych na załadowanych cyfrowych obrazach dentystycznych. Guzki mezjopoliczkowe pierwszego trzonowca prawej szczęki (R U6CP), środkowego siekacza środkowego prawej szczęki na krawędzi siecznej (R U1CP) oraz guzka mezjalno-policzkowego pierwszego trzonowca lewej szczęki (L U6CP). Te punkty orientacyjne zostały jednocześnie skalibrowane przez automatyzację opartą na uczeniu maszynowym. Kliknij tutaj, aby zobaczyć większą wersję tego rysunku.

Rysunek 6: Potwierdzenie trzech punktów rejestracyjnych na załadowanych cyfrowych obrazach dentystycznych i CBCT. Prawy i lewy guzek mezjopoliczkowy pierwszych zębów trzonowych szczęki (R U6CP, L U6CP) oraz prawy górny środkowy siekacz (R U1CP). Kliknięcie przycisku Tak powoduje automatyczną rejestrację. Skrót: CBCT = tomografia komputerowa wiązki stożkowej. Kliknij tutaj, aby zobaczyć większą wersję tego rysunku.

Rysunek 7: Zrekonstruowany model twarzoczaszki z cyfrowym obrazem zębowym połączony. Kliknij tutaj, aby zobaczyć większą wersję tego rysunku.

Rysunek 8: Modyfikowanie scalania. Podczas modyfikowania scalania kliknij przycisk Wybierz punkt orientacyjny rejestracji w panelu rejestracji uzębienia. Kliknij tutaj, aby zobaczyć większą wersję tego rysunku.

Rysunek 9: Płaszczyzny odniesienia programu. Płaszczyzna X (pozioma) to płaszczyzna przechodząca przez Nasiona, równoległa do płaszczyzny poziomej Frankfurtu (FH), która przechodzi przez lewy i prawy Orbitales oraz prawy Porion. Płaszczyzna Y (środkowa) jest prostopadła do płaszczyzny X, przechodząc przez Nasion i bazę. Płaszczyzna Z (koronalna) ustawia płaszczyznę prostopadłą do płaszczyzny poziomej i środkowej za pomocą Nasion (punkt zerowy; 0, 0 i 0). Kliknij tutaj, aby zobaczyć większą wersję tego rysunku.

Rysunek 10: Powierzchniowa rejestracja cyfrowych obrazów zębów szczęki w częściach zębowych zrekonstruowanych obrazów CBCT. (A) Przed i (B) po połączeniu. W pierwszej kolejności punkty początkowe zarejestrowano za pomocą guzków mezjopoliczkowych pierwszych zębów trzonowych szczęki oraz punktu styku siekaczy centralnych w CBCT i DDI. Następnie powierzchnia została zarejestrowana, aby uzyskać dokładniejszą integrację przy użyciu iteracyjnego algorytmu najbliższych punktów. Skrót: CBCT = tomografia komputerowa wiązki stożkowej; DDI = cyfrowe obrazy stomatologiczne. Kliknij tutaj, aby zobaczyć większą wersję tego rysunku.
Tabela 1: Niezawodność w trzech współrzędnych każdego punktu orientacyjnego podczas integracji CBCT twarzy i cyfrowych obrazów stomatologicznych w każdym ABR i SBR oraz pomiędzy nimi. *Test T w parze; † niezależny test t. ICC > 0,8/0,6/0,4/0,2 lub ≤ 0,2 reprezentują odpowiednio bardzo dobrą, dobrą, umiarkowaną, dostateczną lub słabą siłę zgody. Skróty: CBCT = tomografia komputerowa wiązki stożkowej; AI = sztuczna inteligencja; ABR = rejestracja oparta na sztucznej inteligencji; SBR = rejestracja powierzchniowa; CI = przedział ufności; ICC = współczynnik wewnątrzklasowy. Kliknij tutaj, aby pobrać tę tabelę.
Tabela 2: Średnie różnice w trzech współrzędnych każdego punktu orientacyjnego z wielokrotnych rejestracji CBCT twarzy i cyfrowych obrazów stomatologicznych za pomocą ABR i SBR. Δ (1-2nd), średnia różnica we współrzędnych x, y i z każdego punktu orientacyjnego między pierwszą rejestracją (1.) a drugą rejestracją (2nd) DDI i obrazów CBCT twarzy. *sparowany test t; †niezależny test t; bTest rangi ze znakiem Wilcoxona. Istotność ustalono na poziomie P < 0,05. Skróty: CBCT = tomografia komputerowa wiązki stożkowej; AI = sztuczna inteligencja; ABR = rejestracja oparta na sztucznej inteligencji; SBR = rejestracja powierzchniowa; S.D. = odchylenie standardowe. Kliknij tutaj, aby pobrać tę tabelę.
Autorzy deklarują brak konfliktu interesów.
Proces rejestracji skanów tomografii komputerowej wiązki stożkowej i cyfrowych obrazów stomatologicznych został przedstawiony przy użyciu wspomaganej sztuczną inteligencją (AI) identyfikacji punktów orientacyjnych i łączenia. Porównanie z rejestracją powierzchniową pokazuje, że digitalizacja i integracja oparta na sztucznej inteligencji jest niezawodna i powtarzalna.
To badanie było wspierane przez Fundusz Badawczy Szpitala Bundang w Seulu (SNUBH). (Grant nr 14-2019-0023).
| G*Moc | Uniwersytet Heinricha Heinegoä t, D?sseldorf, Niemcy | v. 3.1.9.7 | Oprogramowanie do obliczania wielkości próbki |
| Geomagic Qualify® | 3D Systems, Morrisville, NC, USA | v 2013 | Funkcja metrologii 3D i oprogramowanie do automatyzacji, , które przekształcają dane skanowania i sondy w 3D do wykorzystania w projektowaniu, produkcji i zastosowaniach metrologicznych |
| KODAK 9500 | Carestream Health Inc., Rochester, NY, Stany Zjednoczone | 5159538 | Tomograf komputerowy wiązki stożkowej (CBCT) |
| MD-ID0300 | Medit Co, Seul, Korea Południowa Seul, Korea | 61010-1 | Skaner biurkowy |
| ON3D | 3D ONS Inc., Seul, Korea | v 1.3.0 | Oprogramowanie do oceny CBCT 3D; Identyfikacja punktów orientacyjnych w oparciu o sztuczną inteligencję, analiza twarzoczaszki i stawu skroniowo-żuchwowego, nakładanie i wirtualna chirurgia ortognatyczna |
| SPSS | IBM, Armonk, NY, Stany Zjednoczone | v 22.0 | Program do analizy statystycznej |