Bu içeriği görüntülemek için JoVE aboneliğiniz gereklidir. Giriş yapın veya ücretsiz denemenizi bugün başlatın.

Yöntem makalesi

Yapay Zeka Tabanlı Konik Işınlı Bilgisayarlı Tomografinin Dijital Dental Görüntülerle Entegrasyonunun Güvenilirliği

2.1K görüntülenme

⸱

DOI:

10.3791/66014

⸱

23 Şubat 2024

 ,  ,  ,  , 
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

Bu makalede

Özet

Yapay zeka (AI) destekli yer işaretlerinin tanımlanması ve birleştirilmesi kullanılarak konik ışınlı bilgisayarlı tomografi taramalarını ve dijital diş görüntülerini kaydetme süreci sunulmuştur. Yüzey tabanlı kayıtla yapılan bir karşılaştırma, yapay zeka tabanlı sayısallaştırma ve entegrasyonun güvenilir ve tekrarlanabilir olduğunu gösterir.

Özet

Bu çalışmanın amacı, yapay zeka (AI) tabanlı kayıtlamaya (ABR) dayalı dijital dental görüntülerin (DDI) konik ışınlı bilgisayarlı tomografi (CBCT) sayısallaştırılması ve entegrasyonunu tanıtmak ve bu yöntemi kullanarak yüzey tabanlı kayıt (SBR) ile karşılaştırıldığında güvenilirliği ve tekrarlanabilirliği değerlendirmektir. Bu retrospektif çalışma, bilgisayar destekli bimaksiller ortognatik cerrahi geçiren 17 hastanın KIBT görüntüleri ve DDI'sinden oluşuyordu. CBCT görüntülerinin sayısallaştırılması ve DDI ile entegrasyonu, yapay zeka tabanlı bir program kullanılarak tekrarlandı. CBCT görüntüleri ve DDI, noktadan noktaya kayıt kullanılarak entegre edildi. Buna karşılık, SBR yöntemiyle, üç yer işareti, yinelemeli en yakın noktalar yöntemiyle entegre edilen CBCT ve DDI üzerinde manuel olarak tanımlandı.

Her yöntemin tekrarlanan iki entegrasyonundan sonra, birinci maksiller azı dişlerinin ve santral kesici dişlerin üç boyutlu koordinat değerleri ve farklılıkları elde edildi. Her bir yöntemin koordinatları ile gözlemci içi güvenilirliği değerlendirmek ve ABR ile SBR arasındaki güvenilirliklerini karşılaştırmak için sınıf içi katsayı (ICC) testi yapıldı. Gözlemci içi güvenirlik, her yöntemde anlamlı ve mükemmele yakın ICC gösterdi. Her bir ABR ve SBR'de birinci ve ikinci kayıtlar arasında ve her iki yöntem arasında ortalama fark yoktu; bununla birlikte, aralıkları ABR ile SBR yöntemine göre daha dardı. Bu çalışma, yapay zeka tabanlı sayısallaştırma ve entegrasyonun güvenilir ve tekrarlanabilir olduğunu göstermektedir.

Giriş

Üç boyutlu (3D) dijital teknoloji, ortodontik veya cerrahi-ortodontik tedavi için tanı ve planlama kapsamını genişletmiştir. Yüz konik ışınlı bilgisayarlı tomografi (CBCT) görüntüsünden oluşturulan sanal bir kafa, dentofasiyal ve dental anormallikleri değerlendirmek, ortognatik cerrahiyi planlamak, bilgisayar destekli tasarım ve üretim kullanarak dental gofretler ve implant cerrahi kılavuzları üretmek için kullanılabilir 1,2,3,4. Bununla birlikte, CBCT taramaları, sınırlı çözünürlükleri ve diş restorasyonu veya ortodontik braketlerden kaynaklanan çizgi artefaktları nedeniyle dental morfoloji ve interoklüzal ilişki dahil olmak üzere düşük bir dişlenme temsiline sahiptir5. Bu nedenle, CBCT görüntülerinde dental özellikler, taranmış kalıplar veya ağız içi tarama görüntüleri gibi dijital dental görüntüler (DDI) ile ikame edilmiştir.

DDI'nin CBCT görüntülerine güvenilir entegrasyonu için, çok sayıda çalışma, referans belirteçlerinin 6,7, voksel tabanlı8 ve yüzey tabanlı kayıtların (SBR'ler) kullanımı9,10 gibi çeşitli yöntemler bildirmiştir. Bu prosedürlerin ağız dışı belirteçler, çoklu CBCT taramaları ve CBCT görüntülerindeki metal artefaktların temizlenmesi gibi ekstra işlem adımları kullanma yöntemleri vardır. SBR doğruluğu ile ilgili olarak, önceki birkaç çalışma 0.10 ila 0.43 mmarasında değişen hatalar bildirmiştir 9,11. Ek olarak, Zou ve ark. SBR kullanarak bir dijital mühendis ile bir ortodontist arasındaki gözlemci içi/gözlemciler arası güvenirliği ve hataları değerlendirmiş ve klinik deneyim ve tekrarlanan öğrenme ihtiyacını bildirmişlerdir10.

Yapay zeka (AI), tedavi sonuçlarınıtahmin etmek 12 ve sefalometrik radyografiler13 veya CBCT görüntüleri 14,15,16 üzerindeki yer işaretlerini sayısallaştırmak için kullanılmıştır ve şu anda bu sürece yardımcı olmak için bazı ticari yazılımlar mevcuttur 17. 3D görüntülerdeki anatomik yer işaretlerinin doğru bir şekilde tanımlanması, düz yüzeylerin veya kavisli yapıların belirsizliği, düşük yoğunluklu alanlar ve anatomik yapıların geniş değişkenliği nedeniyle zordur.

Yapay zeka tabanlı, makine öğrenimi otomasyonu yalnızca sayısallaştırma için değil, aynı zamanda DDI ve dentofasiyal CBCT'nin entegrasyonu için de uygulanabilir. Bununla birlikte, mevcut yüzey tabanlı yönteme kıyasla yapay zeka tabanlı bir kaydın (ABR) doğruluğu hakkında çok az araştırma vardır. Bimaksiller ortognatik cerrahi yoluyla 3D iskelet ve diş değişikliklerinin daha doğru sonuçlarını elde etmek için, CBCT ve DDI'yi birleştirirken yapay zeka tabanlı programların doğruluğunu değerlendirmek gerekir. Bu nedenle, bu makale, CBCT ve DDI'yi yapay zeka tabanlı bir kayıt (ABR) ile sayısallaştırmak ve entegre etmek ve SBR'ye kıyasla güvenilirliğini ve tekrarlanabilirliğini değerlendirmek için adım adım bir protokol sunmaktadır.

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Protokol

Bu retrospektif çalışma, Seul Ulusal Üniversitesi Bundang Hastanesi Kurumsal İnceleme Kurulu (B-2205-759-101) tarafından gözden geçirilmiş ve onaylanmıştır ve Helsinki Bildirgesi ilkelerine uygundur. Çalışmada CBCT ve DDI'dan alınan Digital Imaging and Communications in Medicine (DICOM) dosyaları ve dental alçıdan Standart Mozaik Dili (STL) formatında kullanıldı. Çalışmanın retrospektif olması nedeniyle bilgilendirilmiş onam ihtiyacından feragat edildi.

1. CBCT ve Dijital Dental Görüntüler (DDI) edinimi

  1. Hastaları aşağıdaki dahil etme kriterlerine göre seçin: iskelet Sınıf III maloklüzyon; bilgisayar destekli planlama yoluyla bimaksiller cerrahi; ve kenarı sabit apareylerle ortodontik tedavi.
  2. Kraniyofasiyal sendromları, yarık dudak/damak veya eksik maksiller birinci azı dişleri veya sağ merkezi kesici dişi olan hastaları hariç tutun.
  3. 200 mm x 180 mm görüş alanı, 0,2 mm voksel boyutu ve 80 kVp, 15 mA ve 10,8 s maruz kalma koşullarına sahip CBCT taramaları elde edin. Hastaların dişleri maksimum müdahale ile dik pozisyonda olduklarından emin olun. Taramaları Tıpta Dijital Görüntüleme ve İletişim (DICOM) veri dosyaları olarak kaydedin.
  4. Dental taş kalıplarından veya doğrudan ağız içi taramadan DDI'ları alın ve bunları Standart Mozaik Dili (STL) formatında ayrı maksiller ve mandibular dişler olarak kaydedin.

2. Yapay Zeka Tabanlı Kayıt Protokolü (ABR)

  1. CBCT'nin yeniden yönlendirilmesi ve dijitalleştirilmesi
    1. Yazılımı açın ve DICOM Dosyasını Yükle CBCT DICOM dosyalarını yazılıma aktarmak için düğmesine basın.
    2. DICOM veri klasöründeki DICOM dosyalarından herhangi birini seçin ve aç'ı tıklatın.
      NOT: DICOM dosyaları yüklendiğinde, yazılım bunları otomatik olarak bir CBCT kraniyofasiyal hacmine dönüştürür.
    3. Yer İşareti panelindeki Yeniden Yönlendirme düğmesine tıklayın (Şekil 1).
    4. N (Nasion): 3D görünümde ön kemiğin V çentiğine tıklayın (Şekil 2). Tıklamadan hemen sonra, mavi noktanın (etkinleştirilmiş) eksenel, sagital ve koronal görünümlerde de görünecek olan kırmızı bir çarpı işaretine dönüştüğünü gözlemleyin. Yer işaretini belirlemek için mavi üçgen okları ileri geri tıklayın.
      1. Sagital görünümde, frontonazal sütürün burun ve frontal kemiklerle birleştiği en ön noktayı bulmak için fare tekerleğini yukarı ve aşağı kaydırın ve yer işaretinin dikey ve ön-arka konumunu belirlemek için tıklayın.
      2. Koronal görünümde, en ön noktayı sağlamak için burun kemiğinin kaybolmasından hemen önceki anı bulmak için fare tekerleğini yukarı ve aşağı kaydırın ve Nasion'un yatay konumunu belirlemek için tıklayın.
      3. Eksenel görünümde, ön-arka konumu en ön noktada olduğu gibi ayarlayın.
    5. R Veya (Orbitale): 3B modelde sağ yörünge konturunun kenarındaki en alt noktayı tıklayın (Şekil 2).
      1. Koronal görünümde, sağ yörüngenin alt kenarındaki en düşük noktayı bulmak için fare tekerleğini yukarı ve aşağı kaydırın ve tıklayın.
      2. Sagital görünümde, orbitanın alt sınırını oluşturan sağ maksilla veya elmacık kemik yapısının en üst noktasına tıklayın.
      3. Eksenel görünümde, fareyi kaydırın ve kırmızı çarpı işaretinin göz yörüngesi kenarının buluştuğu yere yerleştirilmesi için tıklayın.
    6. L Veya (Orbitale): 3B modelde (Şekil 2) sol yörünge konturunun kenarındaki en alt noktayı tıklayın ve R Or işleminde olduğu gibi üç görünümdeki noktayı değiştirin.
    7. R Po (Porion): 3D modelde sağ dış işitsel meatusun ana hatlarının en üst noktasına tıklayın (Şekil 2).
      1. Koronal görünümde, yatay ve dikey konumları belirlemek için sağ temporal kemiğin en alt noktasına tıklayın.
      2. Sagital görünümde, dikey ve ön-arka pozisyonları ayarlamak için sağ dış işitsel meatusun ana hatlarının en üst noktasına tıklayın.
      3. Eksenel görünümde, temporal kemik çizgisinin kaybolduğu dış işitme kanalının göründüğü yere tıklamak için fare tekerleğini kaydırın.
    8. L Po (Porion): 3B modelde (Şekil 2) sol dış işitsel meatusun ana hatlarının en üst noktasına tıklayın ve R Po işleminde olduğu gibi üç çok düzlemli görünümde noktayı değiştirin.
      NOT: Yeniden yapılandırılmış kraniyofasiyal modelde (Şekil 2) Nasion, sağ ve sol orbitaller ve sağ ve sol poryonlar dahil olmak üzere beş temel iskelet işareti şimdi tanımlanmıştır.
    9. Yeniden yapılandırılmış kraniyofasiyal modelin yeniden yönlendirilmesini tamamlamak için Bitti düğmesine tıklayın.
    10. Yer İşareti panelindeki Preliminary Landmark Picking (Ön Yer İşareti Seçme) düğmesine tıklayın ve Dentition I yer işareti grubunu seçin.
      NOT: Kraniyal taban, TME, Maksiller İskelet, Mandibular İskelet, Dentition I ve Yumuşak dokudan oluşan dönüm noktası grupları kraniyofasiyal analiz için zaten seçilmiştir.
    11. Ön Yer İşareti Toplama panelindeki Yürüt düğmesine tıklayın ve yazılımın otomatik olarak ön yer işaretlerini seçmesine ve koordinatlarını belirlemesine izin verin.
    12. Yer işaretlerini değiştirirken, Ses sekmesindeki Manuel Yer İşareti Toplama düğmesine basın, gerekli ayarlamaları yapın ve onaylamak için Bitti düğmesine tıklayın (Şekil 3).

3. DDI birleştirme prosedürü

  1. Araçlar panelindeki Diş Taraması Kaydı düğmesine tıklayın (Şekil 4).
  2. Maksilla dişlenmeyi seçin ve Diş Kaydı panelindeki Yükle düğmesine tıklayın.
  3. Maksilla dentition STL dosyalarını yüklemek için klasördeki CBCT modeline sahip aynı hastanın STL dosyalarını seçin. STL dosyaları açıldıktan sonra, ekranın sağ tarafında DDI'ları ve ekranın sol tarafında CBCT'nin dört görünümünü (3D, eksenel, sagital ve koronal) arayın.
  4. Yüklenen DDI üzerindeki kayıt işaretlerini seçin: sağ maksiller birinci azı dişinin mesiobukal çıkıntıları (R U6CP), insizal kenarda sağ maksiller merkezi kesici orta nokta (R U1CP) ve sol maksiller birinci azı dişinin meziobukkal tüberkülü (L U6CP) (Şekil 5) mavi üçgen okları ileri geri çevirerek.
    NOT: DDI'yı döndürmek için fareye sol tıklayın ve sürükleyin ve yakınlaştırmak ve uzaklaştırmak için sağ tıklayın ve sürükleyin. Kayıt yer işaretleri, manuel olarak sayısallaştırıldıktan sonra makine öğrenimi otomasyonu ile eş zamanlı olarak kalibre edilir.
  5. Diş Kaydı panelindeki Bitti düğmesine tıklayın.
  6. Otomatik kaydı onaylamak için Evet düğmesine tıklayın (Şekil 6).
  7. Mandibular dentition birleştirme için mandibula dentityion'ı seçin ve Dentition Registration (Dentition Kayıt) panelindeki Load (Yükle) butonuna tıklayın. 3.2 ila 3.6 arasındaki adımları tekrarlayın. Mandibular dişlenme üzerindeki kayıt işaretlerini seçin: sağ/sol alt birinci azı dişinin mezobukkal tüberkülü (R-/L-L6CP), insizal kenarda sağ alt birinci kesici diş orta noktası (R L1CP).
  8. DDI şimdi yeniden yapılandırılmış CBCT modeli ile birleştirilmiştir (Şekil 7).
    1. Birleştirmeyi değiştirirken, Dentition Registration panelindeki Pick Registration Landmark (Kayıt Yer İşareti Seç) düğmesine tıklayın (Şekil 8).

4. Her yer işaretinin 3B koordinat değerlerinin (x, y ve z) elde edilmesi

  1. Yer işaretlerinin 3B koordinat değerlerini elde etmek için Hacim sekmesindeki Manuel Yer İşareti Seçme düğmesine tıklayın veya Analiz sekmesine tıklayın. Veri dışa aktarma için, analiz sekmesi→veri dışa aktarma paneline gidin ve verileri bir dosya olarak kaydetmek için Yer İşareti düğmesine tıklayın.
    NOT: X düzlemi (yatay), sol ve sağ Orbitales ve sağ Porion'dan geçen Frankfort yatay (FH) düzlemine paralel olarak Nasion'dan geçen düzlemdir. Y düzlemi (midsagital), Nasion ve burçtan geçen X düzlemine diktir. Z-düzlemi (koronal), düzlemi Nasion (sıfır noktası; 0, 0 ve 0) aracılığıyla yatay ve orta sagital düzlemlere dik olarak ayarlar (Şekil 9).

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Sonuçlar

Burada, yapay zeka tabanlı bir program kullanarak CBCT ve DDI'nin entegrasyon sürecini anlattık. Güvenilirliğini ve tekrarlanabilirliğini değerlendirmek için, yüzey tabanlı kayıt (SBR) ile karşılaştırmalı bir çalışma yapılmıştır. ρ H1 = 0.77, α = 0.05 ve güç (1−β) = 0.8018 korelasyonu altında bir güç analizinden sonra minimum on örneklem büyüklüğünün gerekli olduğu belirlenmiştir. Mart 2016'dan Ekim 2019'a kadar Seul Ulusal Üniversitesi Bundang Hastanesi'ndeki ortognatik hastalardan toplam 17 set ...

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Tartışma

Sunulan protokolü kullanarak, yer işaretlerinin sayısallaştırılması ve CBCT ile DDI'nin entegrasyonu, makine öğrenimi yazılımı kullanılarak kolayca gerçekleştirilebilir. Bu protokol aşağıdaki kritik adımları gerektirir: i) CBCT taramasında kafanın yeniden yönlendirilmesi, ii) CBCT ve DDI'nın sayısallaştırılması ve iii) CBCT görüntülerinin DDI ile birleştirilmesi. Kafanın yeniden yönlendirilmesi için beş yer işaretinin sayısallaştırılması kritik öneme sahiptir, çünkü uzamsal alanlardaki referans düzlemleri ile kafanın 3B ...

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Açıklamalar

Yazarlar herhangi bir çıkar çatışması beyan etmemektedir.

Teşekkürler

Bu çalışma Seul Ulusal Üniversitesi Bundang Hastanesi (SNUBH) Araştırma Fonu tarafından desteklenmiştir. (Hibe no. 14-2019-0023).

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Malzemeler

Bu makalede kullanılan malzemelerin listesi
AdŞirketKatalog numarasıYorumlar
G * Güç Heinrich Heine Üniversitesiä t, D?sseldorf, Almanyav. 3.1.9.7Bir örnek boyutu hesaplama yazılımı
Geomagic Qualify®3D Systems,
Morrisville, NC, USA		v 20133D metroloji özellik ve otomasyon yazılımı, tasarım, üretim ve metroloji uygulamalarında kullanılmak üzere tarama ve prob verilerini 3D'ye dönüştüren
;
KODAK 9500Carestream Health Inc., Rochester, NY, ABD5159538Konik Işınlı Bilgisayarlı Tomografi (CBCT)
MD-ID0300Medit Co, Seul, Güney Kore
Seul, Kore		61010-1Masaüstü model tarayıcı 
ON3D3D ONS Inc.,
Seul, Kore		v 1.3.03D CBCT değerlendirmesi için yazılım; Yapay zeka tabanlı dönüm noktası tanımlama, kraniyofasiyal ve TME analizi, üst üste binme ve sanal ortognatik cerrahi
SPSS IBM, Armonk, NY, ABDv 22.0 Bir istatistik analiz programı

Kaynaklar

  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).

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Yeniden basım ve izinler

Etiketler

Yapay Zeka Diş HekimliğiYapay Zeka Tabanlı KayıtlandırmaYüzey Tabanlı KayıtlandırmaLandmark DijitalleştirmeOrtognatik Cerrahi Görüntüleme3B Koordinat AnaliziDental Görüntü EntegrasyonuSınıf İçi Korelasyon Katsayısı Testi
Yapay Zeka Tabanlı Konik Işınlı Bilgisayarlı Tomografinin Dijital Dental Görüntülerle Entegrasyonunun Güvenilirliği
Bize Ulaşın
Kütüphaneye Öner

Gizlilik

Kullanım Koşulları

Politikalar

Telif Hakkı © 2026 MyJoVE Corporation. Tüm hakları saklıdır.