Summary

Zuverlässigkeit der auf künstlicher Intelligenz basierenden Cone-Beam-Computertomographie Integration mit digitalen Dentalbildern

Published: February 23, 2024
doi:

Summary

Es wurde ein Verfahren zur Registrierung von Cone-Beam-Computertomographie-Scans und digitalen Zahnbildern vorgestellt, bei dem die durch künstliche Intelligenz (KI) unterstützte Identifizierung von Orientierungspunkten und das Zusammenführen verwendet wird. Ein Vergleich mit der oberflächenbasierten Registrierung zeigt, dass KI-basierte Digitalisierung und Integration zuverlässig und reproduzierbar sind.

Abstract

Ziel dieser Studie war es, die Digitalisierung der Cone-Beam-Computertomographie (DVT) und die Integration von digitalen Dentalbildern (DDI) auf Basis der auf künstlicher Intelligenz (KI) basierenden Registrierung (ABR) einzuführen und die Zuverlässigkeit und Reproduzierbarkeit mit dieser Methode im Vergleich zur oberflächenbasierten Registrierung (SBR) zu bewerten. Diese retrospektive Studie bestand aus DVT-Bildern und DDI von 17 Patienten, die sich einer computergestützten bimaxillären orthognathen Operation unterzogen hatten. Die Digitalisierung von DVT-Bildern und deren Integration mit DDI wurde mit Hilfe eines KI-basierten Programms wiederholt. DVT-Bilder und DDI wurden mit Hilfe einer Punkt-zu-Punkt-Registrierung integriert. Im Gegensatz dazu wurden bei der SBR-Methode die drei Landmarken manuell auf dem DVT und der DDI identifiziert, die mit der iterativen Methode der nächstgelegenen Punkte integriert wurden.

Nach zweimaliger Wiederholung jeder Methode wurden die dreidimensionalen Koordinatenwerte der ersten Oberkiefermolaren und Mittelschneidezähne und deren Unterschiede ermittelt. Intraklassenkoeffiziententests (ICC) wurden durchgeführt, um die Zuverlässigkeit innerhalb des Beobachters mit den Koordinaten jeder Methode zu bewerten und ihre Zuverlässigkeit zwischen ABR und SBR zu vergleichen. Die Reliabilität innerhalb des Beobachters zeigte bei beiden Methoden eine signifikante und nahezu perfekte ICC. Die mittlere Differenz zwischen der ersten und der zweiten Registrierung in ABR und SBR sowie zwischen beiden Methoden war nicht signifikant. ihre Bereiche waren jedoch bei der ABR-Methode geringer als bei der SBR-Methode. Diese Studie zeigt, dass KI-basierte Digitalisierung und Integration zuverlässig und reproduzierbar sind.

Introduction

Die dreidimensionale (3D) digitale Technologie hat den Anwendungsbereich der Diagnose und Planung für kieferorthopädische oder chirurgisch-kieferorthopädische Behandlungen erweitert. Ein virtueller Kopf, der aus einem Gesichtskegelstrahl-Computertomographie-Bild (DVT) aufgebaut ist, kann verwendet werden, um dentofaziale und zahnärztliche Anomalien zu bewerten, orthognathe Operationen zu planen, Zahnwafer herzustellen und Bohrschablonen zu implantieren, indem computergestütztes Design und Fertigungverwendet werden 1,2,3,4. DVT-Scans haben jedoch eine geringe Repräsentation des Gebisses, einschließlich der Zahnmorphologie und der interokklusalen Beziehung, die auf ihre begrenzte Auflösung und Streifenartefakte von Zahnrestaurationen oder kieferorthopädischen Brackets zurückzuführen sind5. Daher wurden die zahnärztlichen Merkmale auf DVT-Bildern durch digitale Zahnbilder (DDI) ersetzt, wie z. B. gescannte Abgüsse oder intraorale Scanbilder.

Für eine zuverlässige Integration von DDI in DVT-Bilder wurde in zahlreichen Studien über verschiedene Methoden berichtet, wie z. B. die Verwendung von Referenzmarkern 6,7, voxelbasierten8 und oberflächenbasierten Registrierungen (SBRs)9,10. Bei diesen Verfahren werden extraorale Marker, mehrere DVT-Scans und zusätzliche Prozessschritte wie die Reinigung von Metallartefakten auf DVT-Bildern verwendet. In Bezug auf die SBR-Genauigkeit berichteten mehrere frühere Studien über Fehler im Bereich von 0,10 bis 0,43 mm 9,11. Darüber hinaus bewerteten Zou et al. die Intra-/Interobserver-Reliabilität und Fehler zwischen einem Digital Engineer und einem Kieferorthopäden, die SBR verwendeten, und berichteten über den Bedarf an klinischer Erfahrung und wiederholtem Lernen10.

Künstliche Intelligenz (KI) wurde verwendet, um Behandlungsergebnisse12 vorherzusagen und Orientierungspunkte auf Fernröntgenbildern13 oder DVT-Bildern14, 15, 16 zu digitalisieren, und einige kommerzielle Software steht derzeit zur Verfügung, um diesen Prozess zu unterstützen17. Die genaue Identifizierung anatomischer Orientierungspunkte auf 3D-Bildern ist aufgrund der Mehrdeutigkeit von flachen Oberflächen oder gekrümmten Strukturen, Bereichen mit geringer Dichte und der großen Variabilität der anatomischen Strukturen eine Herausforderung.

KI-basierte, maschinell erlernte Automatisierung kann nicht nur für die Digitalisierung, sondern auch für die Integration von DDI und dentofazialer DVT eingesetzt werden. Es gibt jedoch wenig Forschung über die Genauigkeit einer KI-basierten Registrierung (ABR) im Vergleich zur bestehenden oberflächenbasierten Methode. Um genauere Ergebnisse von 3D-Skelett- und Zahnveränderungen durch bimaxilläre orthognathe Chirurgie zu erzielen, ist es notwendig, die Genauigkeit von KI-basierten Programmen bei der Zusammenführung von DVT und DDI zu bewerten. Daher wird in diesem Artikel ein Schritt-für-Schritt-Protokoll für die Digitalisierung und Integration von DVT und DDI mit einer KI-basierten Registrierung (ABR) vorgestellt und deren Zuverlässigkeit und Reproduzierbarkeit im Vergleich zu SBR bewertet.

Protocol

Diese retrospektive Studie wurde vom Institutional Review Board des Seoul National University Bundang Hospital (B-2205-759-101) geprüft und genehmigt und entspricht den Prinzipien der Deklaration von Helsinki. In der Studie wurden DICOM-Dateien (Digital Imaging and Communications in Medicine) aus DVT und DDI im STL-Format (Standard Tessellation Language) aus dem Zahnabdruck verwendet. Auf das Erfordernis einer Einwilligungserklärung wurde aufgrund des retrospektiven Charakters der Studie verzichtet. <p class="jove_…

Representative Results

Hier haben wir den Integrationsprozess von DVT und DDI mit Hilfe eines KI-basierten Programms beschrieben. Um die Zuverlässigkeit und Reproduzierbarkeit zu bewerten, wurde eine Vergleichsstudie mit oberflächenbasierter Registrierung (SBR) durchgeführt. Es wurde festgestellt, dass nach einer Trennschärfeanalyse unter Korrelation ρ H1 = 0,77, α = 0,05 und Trennschärfe (1−β) = 0,8018 eine Mindeststichprobengröße von zehn erforderlich war. Insgesamt wurden 17 Sätze von DVT-Scans und digit…

Discussion

Mit dem vorgestellten Protokoll kann die Digitalisierung von Sehenswürdigkeiten und die Integration von DVT und DDI mit Hilfe von maschinell erlernter Software einfach durchgeführt werden. Dieses Protokoll erfordert die folgenden kritischen Schritte: i) Neuausrichtung des Kopfes im DVT-Scan, ii) Digitalisierung von DVT und DDI und iii) Zusammenführung von DVT-Bildern mit dem DDI. Die Digitalisierung von fünf Landmarken für die Neuausrichtung des Kopfes ist kritisch, da sie die 3D-Position des Kopfes mit Referenzeben…

Disclosures

The authors have nothing to disclose.

Acknowledgements

Diese Studie wurde vom Forschungsfonds des Seoul National University Bundang Hospital (SNUBH) unterstützt. (Förderkennzeichen 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

References

  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

Cite This Article
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