文摘

本文旨在研究采用深度学习(DL)算法分割的口腔病变cone-beam计算机断层扫描(CBCT)图像。90例口腔病变患者作为研究对象,他们分成空白,控制,和实验小组,由手动分割的图像处理方法,阈值分割算法,和全卷积神经网络(FCNN) DL算法,分别。然后,不同的方法对口腔病变的影响CBCT图像识别和分类进行了分析。结果表明,没有实质性的区别不同类型的口腔病变患者的数量在三组( )。实验组的病灶分割的准确性高达98.3%,而那些的空白组和对照组分别为78.4%和62.1%,分别。CBCT图像分割的准确性的空白组和对照组远远不如实验组( )。病变和损伤模型的分割效果在实验组和对照组明显优于空白组( )。简而言之,图像分割的准确性FCNN DL方法比传统的手动分割和阈值分割算法。应用DL CBCT口腔病变的图像分割算法可以准确地识别和段病变。

1。介绍

近年来,随着计算机技术的发展及其在各个领域的普及,医疗机构和其他领域与计算机技术相结合,和计算机辅助手段被广泛利用。目前,计算机断层扫描和磁共振成像(MRI)在医学领域中广泛采用(1]。CT是一种x射线计算机断层扫描,不同的组织吸收不同数量的x射线。这项技术可以应用于显示人体的内部结构形式的三维成像,从而提供便利和疾病的临床诊断和治疗的依据和相关研究2]。前馈神经网络,CNN可以有效地减少反馈神经网络的复杂性,可以用来确定一些二维图像扭曲和不变形位移和缩放等形式。DL的广泛应用在医学图像分类,如CNN,可以提供方便人员基于传统研究方法(3,4]。CBCT cone-beam投影计算机复合断层影响设备。x射线发生器投影体周围有少量的辐射让一个圆形的数字投影(5,6]。投影数据的二维和三维图像重建后将获得。图像分割是图像处理的主要步骤和操作图像分析。目前,最常使用的是基于阈值的分割方法,提出,edge-based和特定的基于理论的技术7,8]。此外,人工神经网络识别技术已经开始吸引注意力和广泛应用于图像分割。神经网络具有大量连接,很容易引入空间信息,可以更好的解决问题,如不均匀分布和噪声在图像识别9]。

口腔病变包括根尖牙周炎、牙槽脓肿、冠周炎,牙周炎,颌骨骨髓炎。当口腔病变是由外部环境刺激,病变的致病微生物及相关产品将向外扩散。然后,其他系统或组织和器官损伤引起,如类风湿性关节炎、慢性肾小球肾炎、多形性红斑,和脓性肾病,这将加剧。然而,DL分割算法的应用口腔病变CBCT图像相对缺乏,必须深入研究研究其临床应用10,11]。

在这工作,选择口腔病变的患者在医院接受治疗,分为三组,然后手动分割算法,阈值分割算法,FCNN DL算法采用比较研究。他们应用于口腔病变CBCT图像识别和分割,以便分析和讨论FCNN DL算法对口腔病变及其对CBCT图像分析的影响。

2。材料和方法

2.1。研究对象的选择和分组

90病人口腔病变治疗在医院从2018年9月到2020年9月被选为研究对象,包括48岁男性患者和42岁女性病人。患者自愿退出,转移到医院被排除在外。包括患者被随机分为三组,空白组(手动分割方法),对照组(阈值分割算法),和实验小组(FCNN DL分割算法),每组30例。

入选标准如下:(i)患者年龄在40到60;(2)清晰的意识和患者能配合治疗和样本收集;(3)患者诊断为口腔病变;(iv)患者完整的临床资料和信息;(v)病人无精神病史和情绪稳定。

排除标准如下:(i)患者退出和转移治疗由于个人原因;(2)其他严重疾病或传染病患者;(3)严重的口腔病变患者或患者接受治疗相似的疾病;(iv)患者疾病的其他系统或器官;(v)的患者没有接受合作治疗由于个人或其他原因。

2.2。CBCT数据集及指标

CBCT选定的实验样本收集患者的数据,和90年口腔病变患者CBCT包含最终病理测试报告数据筛选和选择。CBCT数据集包含CBCT横断面图像等各种口腔病变患者颌骨骨髓炎、根尖周的牙周炎,牙周脓肿和冠周炎。图像包含的整体三维结构每个病人的口腔,和整个数据集包含多个CBCT映像。图片是根据相应的病人的病变的类型,和上面的图像标志着医学病理学的黄金标准是基于测试报告和联合的多个专业医务人员。标记完成后,相应的图像进行了预处理。CBCT图像值小于0筛选和设置为0,和CBCT图像值大于3000筛选和设置为3000。然后,由此产生的图像是除以3000乘以255转换成单位8个数字格式,和预处理图像保存为JPG图像格式。最后,分类的准确性和灵敏度是作为评价指标。在二维图像去噪方法的功能被定义为方程(1),的功能在CNN CBCT数据去噪方法被定义为方程(2)在三维空间中。

一个每个像素代表的重量;θ是高斯分布的标准偏差参数;的价值θ是1.5;x的横坐标值是当前像素相对于中心像素;和y的横坐标值是当前像素相对于中心像素。

2.3。CBCT图像分割的三个不同的分割算法

手动分割:手动图像分割应由医生有丰富的临床经验和超过10年的经验评估口腔疾病。医生评估和分析口腔病变和利用mimics14.11软件口服CBCT勾画病灶的边缘图像。

阈值分割算法:分割方法称为CBCT提前通过设置适当的组织图像分割阈值。阈值设置在mimics14.11软件和3 d的门槛口服图像模型集。胡值地区初步选择和组织在这一地区实时监控。所选区域略调整医学专家与丰富的临床经验,直到阈值分割边缘。

FCNN DL分割算法:CNN可以识别的图像通过滑动窗口,选择搜索,和其他方法。该算法可以识别和判断窗口目标对象。回归问题的识别被定义为每个目标在图像分割的发生概率。该方法采用基于CBCT FCNN DL图像分割对口腔病变进行图像分割评价和利用交叉比率平均作为最终的指标。

R代表平均cross-union比率, 表示满足的点集Y我,j在图像= 1, 表示满足的点集Y我,j> 0.5的形象。学习算法流程如图1。


图1
原理图的DL分割算法流程。
2.4。评价指标

空白的口腔病变,实验组分段控制,根据相应的算法。传统的手工分割,阈值分割算法,FCNN DL算法比较关于口腔病变CBCT图像识别和分割性能。此外,运行时间,分割体积和表面积,图像分割的准确性,对病变和损伤模型和影响分割的三种方法进行了分析。三种算法的性能比较通过以上指标,和他们的识别率和准确性的口腔病变图像分割进行了研究。

2.5。统计分析

被处理的数据通过SPSS19.0版本软件。测量数据被表示为平均值±标准偏差,和计数数据被表示为百分比。的t试验采用比较分割体积和表面积,以及运行时间的手工分割,阈值分割,FCNN算法。方差分析是利用比较病变和损伤模型的分割效果。该数据具有统计上的显著差异 。

3所示。结果

3.1。的位置和类型的口腔病变的病人三组

90名患者选择治疗口腔病变诊断的实验中,病灶的位置判断,如图2。三组患者的口腔病变主要是牙周、牙髓的,根尖周的和其他慢性口腔炎症。牙周损伤的发生率最高,达到38%,其次是牙髓和根尖周的感染性病变,分别是29%和17%。


图2
患者的口腔病变的位置。

病变的类型是牙周脓肿、根尖牙周炎,颌骨骨髓炎。的口腔病变类型发生在三组病人和每种类型的病变患者的数量统计图所示3。三个口腔病变的牙周脓肿、根尖周的牙周炎,和下巴骨髓炎发生在每一组的病人,也没有明显的差异数量的不同类型的患者口腔病变的三组( )。


图3
类型的口腔病变的患者数量。
3.2。当地口腔病变

图4是一个部分的病变患者牙周脓肿。牙龈病变部位红肿着,突出脓肿的形成伴随着脓肿流和下颚淋巴结肿大。


图4
牙周脓肿。

图5是一种局部视图的根尖牙周炎患者的病变。有明显的炎症周围组织的变化和周围组织肿胀,顶端囊肿,牙齿变色,肉芽组织增生在顶端的口粘膜瘘。


图5
根尖周的炎症。
3.3。当地口腔病变由不同的算法

图6CBCT图像显示患者根尖周的牙周炎通过传统的分割算法。病变部位显示连续和完整的低信号;明显水肿、脓肿、炎性反应观察病变部位;和病变边缘细分是不完整的。


图6
传统的分割CBCT根尖牙周炎的形象。

图7是一个CBCT根尖牙周炎患者的形象组织获得的阈值分割算法。病变部位显示不均匀高信号,周围组织显示扁椭圆形低信号影。有明显的炎症病变部位的变化,和病变边缘分割相对完整和明确的。


图7
CBCT根尖牙周炎的图像阈值分割算法。

图8是一个CBCT牙周脓肿患者的形象FCNN DL分割。明显脓肿周围出现病变,表现为相对宽松mid-to-low-signal阴影,病变完全分割的边缘,准确地识别损伤位置。


图8
CBCT DL病变的分割图像。
3.4。对比的分割时间和三个分割算法的准确性

图9显示了传统分割算法的准确性比较结果,组织阈值分割算法,FCNN DL口腔病变CBCT图像分割的分割算法。实验组病变的分割精度相对较高,达到98.3%,而空白对照组分别为78.4%和62.1%,分别。与空白组相比,在控制CBCT图像分割的准确性和实验组明显高( )分割的准确性,实验组明显高于对照组( )。


图9
对比三个分割算法的准确性。注意:符号 和#表明不同的是实质性的,与空白组和对照组,分别( )。

图10显示了三个分割算法的比较结果口腔病变CBCT图像分割。FCNN DL分割算法的分割时间是10.2±1.4分钟,和阈值分割算法16.3±1.6分钟。CBCT图像的分割时间在实验组和对照组明显比空白组(短 ),和分割时间实验组比对照组短( )。


图10
对比三个分割算法的运行时间。注意:符号 和#表明不同的是实质性的,与空白组和对照组,分别( )。
3.5。对比病灶体积和表面积得到三个分割算法

图11的比较结果显示口腔病变的体积和表面积CBCT三分割图像分割算法。空白之间没有明显差异,实验组的分裂的表面积和体积( )。对照组的体积和表面积明显小于空白组( ),体积和表面积和分裂在实验组显著大于对照组( )。


图11
对比表面积和体积的三个分割算法。注意:符号 和#表明不同的是实质性的,与空白组和对照组,分别( )。
3.6。分割效果比较

图12的比较结果显示三个分割算法的分割效果口腔病变和口腔损伤模型。阈值分割算法和FCNN DL算法良好的分割对病变和损伤模型的影响。分割效果的病变和损伤模型实验和对照组明显优于空白组( )。没有实质性的差异之间的分割影响病变和损伤模型控制和实验组 )。


图12
比较三个分割算法的分割效果。注意:符号 和#表明不同的是实质性的,与空白组和对照组,分别( )。

4所示。讨论

的应用和推广CBCT和其他三维医学影像技术在医学检测和治疗,以及人类生活方式的改善,口腔健康已经逐渐引起关注(12]。口腔学家已经开始尝试应用CBCT口腔病变的诊断和治疗。自CBCT图像和数据的可视化为医务人员提供了重要的参考价值,通过图像分割检测和分析,疾病的发生和发展可以直观地监控(13,14]。早期的医学图像研究和学习算法往往有很大的局限性和不适合所有疾病的诊断和治疗。此外,大多数研究在人类的大脑,胸部,腹部器官。因此,有必要进行深入研究在图像分析和算法,将它们应用于口腔疾病15,16]。据统计,中国的口腔疾病的速度只有9∼10%,对口腔健康也有很大的影响。然而,口腔疾病,会导致严重的细菌性或病毒性疾病如果不能得到及时诊断和治疗。甚至会出现系统性疾病,如慢性咽炎、风湿性关节炎、冠心病和慢性肾炎(17,18]。此外,相关研究发现口服治疗,如牙周炎、双向与糖尿病的关系,在严重的牙周炎会加重糖尿病,患者的血糖控制能力明显比正常的人。相反,糖尿病也会导致牙周炎和牙周炎的菌血症可能诱发心肌梗死和冠心病19]。因此,有必要关注口头评价。

在这个工作中,口腔病变患者分为三组,然后选择手动分割方法中,阈值分割算法,FCNN DL算法采用了比较研究。他们应用于口腔病变CBCT图像识别和分割,分析和讨论了影响FCNN DL算法对CT图像对口腔病变及其影响。结果表明,实验组显著优于空白对照组和运行时间和病灶分割的准确性。实验组和对照组明显比空白组的病变和损伤模型的分割效果( )。结果符合Sharma等的研究成果。20.),显示的图像分割准确性FCNN DL方法比传统的手动分割和阈值分割算法,减少了运行时间。应用DL口腔病变CBCT图像分割算法可以准确地识别和段病变,为治疗提供方便,可应用于临床诊断和治疗。

5。结论

根据口腔病变CBCT图像,FCNN DL分割算法的分析和研究。90名患者被选中,然后,DL算法应用于他们的口腔病变CBCT图像。手动分割方法中,阈值分割算法,FCNN DL算法被用来处理图像的病人在不同的组进行比较研究。发现FCNN DL的图像分割效果精度比传统的手动分割和阈值分割算法和运行时间明显减少。采用口腔病变CBCT DL分割算法的图像分割可以准确地识别和段病变,这可能为治疗提供便利,适合应用在临床诊断和治疗。然而,本研究的样本量选择是小,这可能对实验结果有一定的影响,和代表性低。因此,样本容量将在后续实验中,增加的影响FCNN DL口腔病变和CT图像分析算法将进一步的分析和讨论。总之,本研究提供数据支持和理论依据的临床诊断和治疗口腔病变,以及采用FCNN DL分割算法对口腔CBCT图像。

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称没有利益冲突。

作者的贡献

Xueling王、孟献民的贡献同样这项工作。

确认

这项工作是由北京市科委支持首都临床特色应用研究(项目编号:Z171100001017177)。