M. DE FOUW1, T. FLÜGGE2, S. VINAYAHALINGAM1, N. VAN NISTELROOIJ1, T. XI1, S.J. BERGÉ1, M. HEILAND2, K. ODAKA3
1Afdeling Mondziekten, Kaak- en Aangezichtschirurgie, Radboud UMC, Nijmegen
2Charité, Berlin, Duitsland
3Tokyo Dental College, Tokyo, Japan
Introductie en doelstelling
Het doel van deze studie was het ontwikkelen en evalueren van een kunstmatige intelligentie (AI) model voor de segmentatie van tanden in magnetische resonantie (MR) scans.
Materiaal en methoden
MR-scans van 20 patiënten, uitgevoerd met een commerciële 64-kanaals hoofdspoel met een T1-gewogen 3D-SPACE (Sampling Perfection with Application Optimized Contrasts using different flip angle Evolution) sequentie, werden geïncludeerd. Zestien datasets werden gebruikt voor modeltraining en vier datasets voor nauwkeurigheidsevaluatie. Twee clinici segmenteerden en annoteerden de gebitselementen in elke dataset. Een segmentatiemodel werd getraind met behulp van het nnUNet framework.
Resultaten
Het model behaalde een algehele precisie van 0.867, een sensitiviteit van 0.926, een Dice-Sørensen-coëfficiënt (DSC) van 0.895 en een 95% Hausdorff-afstand (HD95) van 0.83 mm. Voor MR-beelden met artefacten bereikte het model een algehele precisie van 0.799, een sensitiviteit van 0.911, een DSC van 0.851 en een HD95 van 1.20 mm.
Conclusie
In deze studie werd een geautomatiseerde methode voor tandsegmentatie in MR-scans ontwikkeld. Met deze methode werd op MR-scans zonder artefacten een hoge nauwkeurigheid behaald. In MR-scans met beeldartefacten werd een matig niveau van nauwkeurigheid behaald.
