
-
生物通官微
陪你抓住生命科技
跳动的脉搏
基于边界感知模块的深度学习框架在全景片上实现牙周解剖结构自动分割的开发与评估
《BMC Oral Health》:Boundary-aware deep learning for automated segmentation of periodontal anatomical structures on panoramic radiographs
【字体: 大 中 小 】 时间:2026年10月11日 来源:BMC Oral Health 3.8
编辑推荐:
摘要背景在全景片上准确识别牙周解剖结构是定量评估牙周骨丧失的先决条件。然而,由于形态复杂、对比度低和边界不清,对牙槽骨水平(BL)、牙骨质-牙釉质界(CEJ)和根尖(RA)的自动分割仍然具有挑战性。我们开发并评估了一种边界感知的深度学习框架,用于自动分割这些结构。方法一项包含
在全景片上准确识别牙周解剖结构是定量评估牙周骨丧失的先决条件。然而,由于形态复杂、对比度低和边界不清,对牙槽骨水平(BL)、牙骨质-牙釉质界(CEJ)和根尖(RA)的自动分割仍然具有挑战性。我们开发并评估了一种边界感知的深度学习框架,用于自动分割这些结构。
一项包含311名患者的311张全景片的回顾性数据集在患者水平上被划分为训练集(n = 217)、验证集(n = 49)和独立测试集(n = 45)。为BL、CEJ和RA生成了经专家审核的标注。使用带有边界感知模块(BAM)的LinkNet风格编码器-解码器架构训练了结构专用模型。对于最终的BAM启用模型,从原始预测掩膜中计算了图像级精确率、召回率、F1分数和交并比(IoU),并在45张图像上取平均值;通过患者水平Bootstrap重采样估计了95%置信区间(CIs)。使用跨三种结构的汇总指标对带BAM和不带BAM的模型进行了描述性比较。
BL表现最佳,F1分数为0.940(95% CI, 0.919–0.955),IoU为0.892(95% CI, 0.863–0.914),其次是CEJ,F1分数为0.854(95% CI, 0.833–0.874),IoU为0.752(95% CI, 0.722–0.779)。RA更具挑战性,F1分数为0.519(95% CI, 0.476–0.557),IoU为0.361(95% CI, 0.326–0.393)。在汇总消融分析中,带BAM的模型比不带BAM的模型取得了更高的精确率(0.753 vs. 0.702)、F1分数(0.846 vs. 0.822)和IoU(0.734 vs. 0.698),但召回率较低(0.967 vs. 0.992)。
该框架证明了在全景片上自动分割牙周结构的可行性,BL和CEJ的表现优于RA。汇总消融结果表明,边界感知特征融合对整体分割性能具有潜在贡献。该框架为定量影像分析提供了技术基础;然而,在临床应用之前,还需要外部验证、牙齿水平的标志点定位以及与专家得出的骨丧失测量的直接比较。
在全景片上准确识别牙周解剖结构是定量评估牙周骨丧失的先决条件。然而,由于形态复杂、对比度低和边界不清,对牙槽骨水平(BL)、牙骨质-牙釉质界(CEJ)和根尖(RA)的自动分割仍然具有挑战性。我们开发并评估了一种边界感知的深度学习框架,用于自动分割这些结构。
一项包含311名患者的311张全景片的回顾性数据集在患者水平上被划分为训练集(n = 217)、验证集(n = 49)和独立测试集(n = 45)。为BL、CEJ和RA生成了经专家审核的标注。使用带有边界感知模块(BAM)的LinkNet风格编码器-解码器架构训练了结构专用模型。对于最终的BAM启用模型,从原始预测掩膜中计算了图像级精确率、召回率、F1分数和交并比(IoU),并在45张图像上取平均值;通过患者水平Bootstrap重采样估计了95%置信区间(CIs)。使用跨三种结构的汇总指标对带BAM和不带BAM的模型进行了描述性比较。
BL表现最佳,F1分数为0.940(95% CI, 0.919–0.955),IoU为0.892(95% CI, 0.863–0.914),其次是CEJ,F1分数为0.854(95% CI, 0.833–0.874),IoU为0.752(95% CI, 0.722–0.779)。RA更具挑战性,F1分数为0.519(95% CI, 0.476–0.557),IoU为0.361(95% CI, 0.326–0.393)。在汇总消融分析中,带BAM的模型比不带BAM的模型取得了更高的精确率(0.753 vs. 0.702)、F1分数(0.846 vs. 0.822)和IoU(0.734 vs. 0.698),但召回率较低(0.967 vs. 0.992)。
该框架证明了在全景片上自动分割牙周结构的可行性,BL和CEJ的表现优于RA。汇总消融结果表明,边界感知特征融合对整体分割性能具有潜在贡献。该框架为定量影像分析提供了技术基础;然而,在临床应用之前,还需要外部验证、牙齿水平的标志点定位以及与专家得出的骨丧失测量的直接比较。