Automated external cervical resorption segmentation in cone-beam CT using local texture features

要約

子宮頸部外吸収（ECR）は、歯に影響を与える吸収プロセスです。
一部の患者では、活発な吸収が止まり、骨組織に置き換わりますが、他のケースでは、吸収が進行し、最終的に歯の喪失につながります。
ECR を適切に評価するには、これらの病変の 3D 特性評価を可能にするコーンビーム コンピュータ断層撮影 (CBCT) が推奨される画像診断法です。
CBCT スキャンで ECR 吸収を手動で特定して測定することは可能ですが、このプロセスには時間がかかり、人的ミスが発生する可能性が高くなります。
したがって、CBCTを使用してECR吸収の重症度を特定し定量化するための自動化された方法を開発することが緊急に必要とされています。
ここでは、局所的に抽出されたボクセルごとのテクスチャ特徴の自動バイナリ分類に基づく ECR 病変セグメンテーションの方法を紹介します。
6 つの縦方向 CBCT データセットでこの方法を評価し、特定のテクスチャ特徴を使用して ECR による微妙な CBCT 信号の変化を正確に検出できることを示します。
また、欠陥を層別化し、石灰化を示すパターンを特定するために、病変内のテクスチャー特徴をクラスタリングする予備分析も提示します。
これらの方法は、ECR が進行し続けるか停止するかを予測する予後バイオマーカーを開発し、最終的に治療の決定に情報を提供する重要なステップです。

要約(オリジナル)

External cervical resorption (ECR) is a resorptive process affecting teeth. While in some patients, active resorption ceases and gets replaced by osseous tissue, in other cases, the resorption progresses and ultimately results in tooth loss. For proper ECR assessment, cone-beam computed tomography (CBCT) is the recommended imaging modality, enabling a 3-D characterization of these lesions. While it is possible to manually identify and measure ECR resorption in CBCT scans, this process can be time intensive and highly subject to human error. Therefore, there is an urgent need to develop an automated method to identify and quantify the severity of ECR resorption using CBCT. Here, we present a method for ECR lesion segmentation that is based on automatic, binary classification of locally extracted voxel-wise texture features. We evaluate our method on 6 longitudinal CBCT datasets and show that certain texture-features can be used to accurately detect subtle CBCT signal changes due to ECR. We also present preliminary analyses clustering texture features within a lesion to stratify the defects and identify patterns indicative of calcification. These methods are important steps in developing prognostic biomarkers to predict whether ECR will continue to progress or cease, ultimately informing treatment decisions.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google