H.G.A. VAN DER POL 1,2, B.M.W. CORNELISSEN1,2, R. SU3, T. VAN WALSUM2,3, E.B. WOLVIUS1,2
1 Afdeling Mondziekten, Kaak- en Aangezichtschirurgie, Erasmus Medisch Centrum, Rotterdam
2 Smart Surgery Lab, Erasmus Medisch Centrum, Rotterdam
3 Afdeling Radiologie en Nucleaire Geneeskunde, Erasmus Medisch Centrum, Rotterdam
Introductie en doelstelling
Driedimensionale (3D) virtuele chirurgische planning voor orthognathische chirurgie wordt momenteel manueel gedaan, een tijdrovend en duur proces. Een eerste stap richting volledig geautomatiseerde chirurgische planning is het automatisch genereren van 3D-modellen van dento-alveolaire en maxillofaciale structuren, waarvoor beeldsegmentatie van deze structuren nodig is. Onlangs werd nnU-Net (1) geïntroduceerd als een zichzelf configurerend open-source deep learning framework voor biomedische beeldsegmentatie. In deze studie werd met behulp van nnU-Net de mandibula automatisch gesegmenteerd in preoperatieve CBCT-scans.
Materiaal en methoden
Er werden retrospectief 57 preoperatieve CBCT-scans verkregen van patiënten verwezen naar het Erasmus MC voor orthognathische chirurgie tussen 2017 en 2022. Van deze scans waren handmatige segmentaties van de mandibula beschikbaar, gemaakt op basis van een systematisch segmentatieprotocol in Mimics 24.0. NnU-Net werd getraind op de trainingset (n=46), en dit getrainde model werd vervolgens toegepast op de testset (n=11). De segmentaties gemaakt door het deep learning model werden visueel vergeleken met de handmatige segmentaties. Daarnaast werd de Dice Similarity Coefficient (DSC) gebruikt om de overlap tussen de deep learning segmentaties en de handmatige segmentaties van de testset te kwantificeren.
Resultaten
De mandibula segmentaties van de CBCT-scans door het getrainde nnU-Net lieten een grote gelijkenis zien met de handmatige segmentaties. De DSC op de testset was 97,53 ± 0,70%.
Conclusie
Nauwkeurige automatische segmentatie van de mandibula in preoperatieve CBCT-scans is mogelijk met behulp van het deep learning framework nnU-Net. Dit is een eerste stap richting de automatisering van de 3D virtuele planning van orthognatische chirurgie.
Referenties
- Isensee F, Jaeger PF, Kohl SAA, Petersen J, Maier-Hein KH. nnU-Net: a self-configuring method for deep learning-based biomedical image segmentation. Nature methods. 2021;18(2):203-11.
