Teeth Localization and Lesion Segmentation in CBCT Images using SpatialConfiguration-Net and U-Net

要約

コーンビームコンピュータ断層撮影 (CBCT) 画像における歯の位置特定と根尖病変のセグメンテーションは、臨床診断と治療計画にとって重要なタスクですが、多くの場合時間がかかり、高度な専門知識が必要です。
ただし、病変の形状、サイズ、方向が異なるだけでなく、歯間のトポロジーも同様であるため、これらのタスクを自動化することは困難です。
さらに、CBCT 画像では病変が占める容積が小さいため、対処する必要があるクラスの不均衡の問題が生じます。
この研究では、SpatialConfiguration-Net (SCN) と U-Net の修正版という 2 つの畳み込みニューラル ネットワークを利用した深層学習ベースの方法を提案します。
SCN は、画像内に存在するすべての歯の座標を正確に予測し、歯のボリュームを正確にトリミングして、セグメンテーションによって病変を検出する U-Net に供給します。
クラスの不均衡に対処するために、3 つの再重み付け損失関数のパフォーマンスを比較します。
144 枚の CBCT 画像を評価した結果、私たちの方法は歯の位置特定について 97.3% の精度を達成し、その後の病変検出についてはそれぞれ 0.97 と 0.88 という有望な感度と特異度を達成しました。

要約(オリジナル)

The localization of teeth and segmentation of periapical lesions in cone-beam computed tomography (CBCT) images are crucial tasks for clinical diagnosis and treatment planning, which are often time-consuming and require a high level of expertise. However, automating these tasks is challenging due to variations in shape, size, and orientation of lesions, as well as similar topologies among teeth. Moreover, the small volumes occupied by lesions in CBCT images pose a class imbalance problem that needs to be addressed. In this study, we propose a deep learning-based method utilizing two convolutional neural networks: the SpatialConfiguration-Net (SCN) and a modified version of the U-Net. The SCN accurately predicts the coordinates of all teeth present in an image, enabling precise cropping of teeth volumes that are then fed into the U-Net which detects lesions via segmentation. To address class imbalance, we compare the performance of three reweighting loss functions. After evaluation on 144 CBCT images, our method achieves a 97.3% accuracy for teeth localization, along with a promising sensitivity and specificity of 0.97 and 0.88, respectively, for subsequent lesion detection.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google