一种临床适用的深度学习模型，用于分割CBCT横截面图像中的下颌骨和下牙槽管

《BMC Oral Health》：Clinically applicable deep learning model for segmentation of the mandibular bone and inferior alveolar canal in CBCT cross-sectional images

自动分割模型在CBCT影像下颌骨及牙槽管分割中的对比研究显示，YOLOv8-seg模型在DSC 0.962、IoU 0.929和mAP50 0.952指标上最优，推理速度达传统方法百倍以上，虽存在前部区域假阳性，但验证了其在临床应用中的潜力。

　　

摘要

背景与目标

随着牙科种植手术中对CBCT扫描的依赖程度日益增加，对下颌解剖结构进行准确高效分割的需求也随之增强，这给牙颌面放射科医生带来了较大的工作负担。本研究通过比较三种先进的深度学习模型，探讨了基于自动化深度学习的分割技术在临床应用中的可行性，并提出了一种解决方案。

材料与方法

本研究评估了三种最先进的分割模型（YOLOv8-seg、nnUNet和SwinUNETR）在横截面CBCT图像上分割牙槽骨和下牙槽管的性能。YOLOv8-seg是一种具有分割能力的一阶段卷积神经网络（CNN）检测器，它在经过精心筛选的数据集上进行了训练，并使用标准指标与其他模型进行了对比。

结果

YOLOv8-seg模型表现出卓越的分割精度，其Dice相似度（DSC）为0.962，交并比（IoU）为0.929，平均精度（mAP50）为0.952。其推理时间仅为0.00586秒/张图像，比传统模型高效100多倍。尽管在前面区域存在一些误判的下牙槽管分割情况，但YOLOv8-seg仍展现了较强的泛化能力和临床应用潜力。

结论

通过进一步的验证和数据集优化，YOLOv8-seg显示出作为CBCT图像分割工具的临床应用潜力，具备高精度参数和显著的计算效率。将其整合到实际的牙科种植计划工作中，可以减轻临床医生的工作负担并提高决策的一致性。