基于卷积神经网络的头影测量自动定点研究

作者：龚蓓文; 常荍; 左飞飞; 谢贤聚; 王少烽; 王亚杰; 孙雅溪; 管修晨; 白玉兴^*

来源：中华口腔医学杂志, 2023, 58(12).

• 人工智能
• 测颅法
• 算法
• 诊断, 计算机辅助
• 图像处理, 计算机辅助

目的基于卷积神经网络开发头影测量自动定点模型, 以期为智能识别头颅侧位X线片上缺失的标志点并高精度实现头影测量自动定点提供参考。方法收集2015年1月至2021年1月于首都医科大学口腔医学院正畸科就诊的错畸形患者的481张头颅侧位X线片, 其中男性240张, 女性241张, 年龄(24.5±5.6)岁。以5名正畸专业研究生为标注人员, 手动定位481张头颅侧位X线片中的61个头影测量标志点;以2名正畸主治医师为审核人员, 进行定点校准;以2名正畸主任医师为仲裁人员, 作出最终决策。建立数据集:其中341张作为训练集, 40张作为验证集, 100张作为测试集。研发一种基于卷积神经网络(CNN)的自动定点模型CephaNET, 通过将原始图像输入特征提取模块和卷积姿态机模块, 使用深监督技术, 训练CephaNET模型高精度定位标志点;将训练集通过直方图均衡化、裁剪、调节亮度, 增强为1684张, 训练模型对比网络输出的高斯热力图与设置的阈值, 以识别标志点缺失情况。测试集100张头颅侧位X线片用于检测模型的准确性。评价标准使用缺失标志点[颈点(Cv点)和Bolton点]识别成功率、平均径向误差(MRE)以及2.0、2.5、3.0、3.5和4.0mm范围内成功检测率(SDR)。结果针对1张头影测量X线片, CephaNET模型平均在0.13 s内识别并定位61个常用标志点;Cv点识别成功率为92.7%(38/41), Bolton点识别成功率为94.3%(50/53), 平均为93.5%。测试集MRE为(1.19±0.91)mm, 2.0、2.5、3.0、3.5和4.0 mm范围内SDR分别为85.4%、90.2%、93.5%、95.4%、97.0%。结论本项研究研发的自动定点模型可适应头颅侧位X线片标志点缺失的情况, 并高精度定位61个常用的头影测量标志点, 满足不同头影测量分析要求。

• 单位
  首都医科大学