Csontstruktúrák automatizált szegmentációja CBCT felvételeken

Gábor Dorogi; Péter Bodnár; Katalin Nagy

doi:10.33891/FSZ.116.2.57-62

Gábor Dorogi Centipede Labs Kft., 9028 Győr, Fehérvári u. 75. Center Társasház 1/7. https://orcid.org/0000-0002-4398-0366
Péter Bodnár SZTE Természettudományi Kar Képfeldolgozás és Számítógépes Grafika Tanszék, 6720 Szeged, Árpád tér 2. https://orcid.org/0000-0002-5302-612X
Katalin Nagy SZTE Fogorvostudományi Kar Szájsebészeti Tanszék, 6720 Szeged, Tisza Lajos körút 64–66. https://orcid.org/0000-0001-9383-5952

DOI: https://doi.org/10.33891/FSZ.116.2.57-62

Kulcsszavak: CBCT, 3D műtéti tervezés és gyártás, CAD/CAM, automatizált szegmentáció

Absztrakt

A digitális technológia fejlődése következtében a fogászati sebészet területén is egyre gyakrabban vesszük igénybe a virtuális
műtéti tervezés és a navigált sebészet lehetőségeit. Ennek alapja a pontos képalkotás és képfeldolgozás. A rossz
minőségű CT vagy CBCT felvételek rontják a felvételek feldolgozását végző algoritmusok eredményét, illetve a 3D modellek
rekonstrukciójának minőségét. A kézi szegmentációval történő 3D rekonstrukció többórás manuális munkával jár,
ami jelentősen megnöveli a 3D CAD/CAM alapú műtéti tervezői és gyártói folyamatok idejét és költségét.
Jelen cikkünkben egy újonnan kifejlesztett módszer vizsgálatának első eredményeit szeretnénk ismertetni, mely idő-,
és költséghatékony megoldás lehet a CBCT felvételek szegmentációjához. A módszer lényege egy automatizáltan működő
algoritmus, mely éldetektáláson, matematikai morfológián és képfeldolgozó műveleteken alapul. A módszer pontossága
összehasonlításra került 40 db manuálisan végzett szegmentáció eredményével. Az eredmények (86–95% precizitás)
jól mutatják, hogy a módszer az emberi feldolgozásnál pontosabb és gyorsabb eredményekre képes, illetve műtéti
tervezésre alkalmas megoldást biztosít.

Hivatkozások

Nagarajappa AK, Dwivedi N, Tiwari R. „Artifacts: The downturn of CBCT image. J Int Soc Prev Community Dent. 2015 Nov-Dec;5(6):440-5 https://doi.org/10.4103/2231-0762.170523

Chen, Si, Wang L, Li G. „Machine learning in orthodontics: Introducing a 3D auto-segmentation and auto-landmark finder of CBCT images to assess maxillary constriction in unilateral impacted canine patients” The Angle Orthodontist 90.1 (2020): 77-84. https://doi.org/10.2319/012919-59.1

Yip S, Perk T, Jeraj R. „Development and evaluation of an articulated registration algorithm for human skeleton registration” Physics in Medicine & Biology 59.6 (2014): 1485-1499. https://doi.org/10.1088/0031-9155/59/6/1485

Wang, Li, et al. „Automated segmentation of dental CBCT image with prior‐guided sequential random forests” Medical physics 43.1 (2016): 336-346. https://doi.org/10.1118/1.4938267

Sharma N,Ray AK, Sharma S. „Segmentation and classification of medical images using texture-primitive features: Application of BAM-type artificial neural network.” J Med Phys 2008; 33: 119-126. https://doi.org/10.4103/0971-6203.42763

Shapiro LG, Stockman GC. Computer Vision. Prentice-Hall, New Jersey, 2001. ISBN 0-13-030796-3

Serra, Jean. "Introduction to mathematical morphology." Computer vision, graphics, and image processing 35.3 (1986): 283-305. https://doi.org/10.1016/0734-189X(86)90002-2

Canny, John. „A computational approach to edge detection.” Trans Pattern Anal Mach Intell. 1986; 8:679–698. https://doi.org/10.1109/TPAMI.1986.4767851

DICOM® Publications and DICOMWeb™ Publications are published by and copyright owned by the National Electrical Manufacturers Association.

Available from: https://www.dicomstandard.org/current/ [accessed: 7 August, 2022]

Confusion matrix.

Available from: https://en.wikipedia.org/wiki/Confusion_matrix [accessed: 7 August, 2022]