作者：高乾程，曹明国，丽水学院医学院；李新东，肇庆学院计算机科学与软件学院，刘云峰，浙江工业大学机械工程学院

口腔种植修复是目前临床上牙列缺损/牙列缺失患者的首选治疗手段。不断发展的口腔数字化技术为口腔种植手术方案设计提供了新方法、新思路。基于锥形束计算机体层成像（cone beam computed tomography，CBCT）的解剖结构分割是口腔种植手术及修复方案设计中的重要环节。

目前临床上应用的手动分割方法存在重复性操作过多、流程耗时复杂、分割精度受人为因素影响等问题。而使用传统算法及传统机器学习的方法进行分割的效果欠佳。目前的研究结果表明，以卷积神经网络（convolutional neural network，CNN）为代表的深度学习方法可以高效对解剖结构进行精准、一致性高的分割，是国内外学者的研究热点。本文拟对基于CBCT的深度学习方法在口腔种植相关解剖结构分割中的应用研究进展做一综述。

1.深度学习及其临床应用意义

1）深度学习及其特点

深度学习是机器学习中的一种特殊算法，利用多层神经网络进行学习和建模，能够自动从数据中学习特征，其特点在于能够处理复杂类型数据，通过多个网络层抽象提取数据特征，使得模型能够更好地处理各种类型的数据和任务。在医学领域中常用的深度学习算法有CNN、U-Net及全卷积神经网络（fully convolutional networks，FCN）等。

目前基于CBCT的深度学习在口腔种植中已有种植手术方案规划、种植体脱落风险预测及种植体稳定性评估的相关研究，也有针对患者不同骨质条件智能制定种植窝洞预备方案研究的报告。

2）深度学习在口腔种植中解剖结构分割的应用意义

解剖结构分割是医学影像处理及分析的基础，通过分割获取的解剖结构信息是实现精准手术方案设计的重要步骤。口腔颌面部解剖结构的复杂性增加了手术并发症发生的风险。因此，如何准确、高效地获取术区解剖结构信息，实现精准的手术方案设计，尽可能规避手术风险是目前需要进一步解决的重要临床问题。

目前临床上常规使用的CBCT数据手动分割方法耗时费力，口腔解剖结构复杂且常有变异，难以准确统计出有效的数据规律进行传统分割算法设计，且传统的机器学习算法不适合处理高维的复杂图像数据。因深度学习具有强大的特征学习能力，擅长发现高维数据中的复杂规律，可学习影像数据深层的特征信息并推理。

该方法能够辅助医生高效地获得精准、一致的术区解剖结构信息，以此实现种植位点设计、导板设计等个性化种植手术规划。因此，准确理解并在口腔种植相关的解剖结构分割中应用深度学习具有重要的临床意义。

2.基于CBCT的深度学习辅助口腔种植相关解剖结构分割的应用研究进展

基于CBCT的深度学习辅助口腔解剖结构分割可高效、精准地获得一致的解剖结构三维模型及位置信息。目前相关研究主要集中于骨、牙、下颌管及上颌窦的解剖结构分割。

1） 骨分割

精准的口腔种植手术方案设计依赖于准确、高效的获取术区颌骨的形态及其相邻解剖结构的信息。Fontenele等报告了基于U-Net开发的深度学习模型，能够精准、一致地分割上颌牙槽骨，所用时间仅为手动分割的1/116。Qiu等通过先验特征提取器获得下颌骨形状信息，基于其使用Seg U-net循环分割网络训练模型，即使在严重的金属伪影干扰下也能获得较好分割效果。

Minnema等使用了多尺度密集网络，相较基准网络能够以更少的训练参数获得更多解剖信息，并能够在受严重金属伪影干扰的情况下准确分割颌骨。对于颌面部复杂骨组织，Preda等使用两级CNN架构进行结构分割，初级CNN进行低分辨率粗略分割，次级CNN进一步进行高分辨率精细分割。

分割结果的Dice相似系数（dice similarity coefficient，DSC）达96.2%，实现了较好的分割效果。因此，基于CBCT的深度学习方法与传统的手动分割及传统算法分割相比，在解剖结构复杂和金属伪影干扰的临床场景中，术区颌骨分割仍具有明显优势，对于实现精准的口腔种植手术方案设计具有重要的临床意义。

2） 牙分割

以修复为导向的口腔种植治疗方案设计需充分考量邻牙、对颌牙的信息。如何获取精准的三维牙信息是国内外学者的研究热点。牙分割的难点在于金属伪影干扰、牙根同周围骨组织密度相近以及牙重叠等。Cui使用CNN自动分割牙，即使在咬合接触区域或牙根同周围骨组织密度相似的区域也能完整分割牙。然而，该方法未能解决金属伪影干扰以及牙位置异常临床场景下的牙分割问题。

Li等在U-Net基础上，通过递归神经网络获取牙根影像切片间的层次信息，实现了在牙根同周围组织密度相似及受金属伪影干扰下的准确分割。Xu等基于Res＿U-Net网络，能够在训练过程中更快收敛并获得更低损失值，对于牙根同周围组织密度近似的区域也能获得较好的分割性能，分割结果的平均交并比（mean intersection over union    ，MIoU）达0.940。为处理不同类型的CBCT，Lee等通过基于直方图的预处理方法减少不同CBCT数据集间的差异，同时通过进行多阶段训练、添加后验概率函数及调整网络结构的方法，获得更高分割性能。

Cui提出一种全自动牙及牙槽骨分割的人工智能系统。通过感兴趣区域生成网络定位上下颌，排除无关影像部分以降低分割计算压力。通过增加异常牙的数据集提高了模型的稳健性，该系统可以快速地进行牙的分割。国内外的相关研究表明，深度学习辅助分割牙的方法是解决金属伪影干扰，尤其牙重叠、牙根与牙槽骨密度接近导致分割困难的有效路径。深度学习辅助分割牙可以精准、快速地获得牙的三维模型，该方法对于实现以修复为导向的口腔种植治疗方案设计具有重要的临床意义，有待在临床应用中进一步优化。

3） 下颌管分割

通过分割获得精准下颌管结构信息及其位置信息，能够在个性化种植手术设计中保证手术安全性。以往使用手动及半自动方法分割下颌管时，受图像对比度低、下颌管结构复杂及同周围组织密度相似等因素影响，难以保证分割精度。Kwak等基于CNN设计多种下颌管分割的模型，在对模型进行横向对比后，结果表明3D U-Net具有最佳性能。然而在下颌管骨皮质不清晰的情况下分割效果不佳。Jaskari等报道了基于FCN的下颌管分割方法，研究结果表明其与传统算法相比具有更高的分割精度，但是在下颌孔及颏孔附近精度不佳。

Lahoud等使用两级CNN架构，初级网络用于低分辨率粗略分割下颌管，次级网络进一步进行高分辨率精细分割，实现了自适应解剖结构形态变化，即使在下颌管骨皮质不清晰、与周围牙根接近的情况下，仍能获得较好的分割精度。Jeoun等设计一种能连续性感知的上下文网络，通过学习全局结构的连续性信息，在整个下颌管区域进行一致的高精度分割，即使在颏孔区域、金属伪影影响区域及骨皮质不清晰区域仍能准确分割。

Du等设计一种基于注意力机制的3D U-Net网络，通过添加空间和通道注意机制以改善边缘特征的提取效果，同时通过改进损失函数以提高模型的泛化能力。在分割精度上优于3D U-Net、V-Net等方法。基于CBCT的深度学习辅助分割下颌管，能够实现快速、精准地分割下颌管。为进行个性化种植手术设计、精准利用骨量、降低术中并发症提供可靠保证。

4）上颌窦的分割

进行上颌种植设计时需充分考虑上颌窦及其黏膜形态。Morgan等通过多步骤的3D U-Net网络对上颌窦粗略及精细分割，可精准且一致地分割上颌窦骨性边界。Choi等提出一种具有后处理能力的U-Net模型，通过后处理步骤减少错误预测，实现了CBCT中不同影像清晰度下上颌窦的精准分割。

Jung等基于3D U-Net网络，提出一种使用主动学习框架的算法，利用有限的标注数据即可训练模型，该方法可以高效训练模型并获得高精度的分割结果。但在上颌窦内充满炎性物质时分割性能降低。为获得上颌窦黏膜形态，Hung等基于多步骤CNN网络实现在低剂量或全剂量CBCT中，自动评估上颌窦黏膜形态并分割。基于CBCT的深度学习方法可高效可靠地分割上颌窦及其黏膜形态，构建虚拟模型，辅助种植手术规划。

3.深度学习在口腔种植应用中存在的问题及优化对策

1）深度学习的准确性及泛化能力问题

目前研究表明，深度学习模型能够在基于CBCT的解剖结构分割任务中获得较高的准确性，但此研究结论是基于简单临床场景中有限的测试数据获得的。而在临床应用中，上下颌骨及邻近解剖结构的变异很常见，且不同医疗机构常使用不同的成像设备，获得的影像参数存在差异，以上因素均会影响深度学习模型分割结果的准确性和泛化能力。针对此问题，可使用多台设备以不同参数拍摄CBCT，同时添加解剖结构变异的影像，通过多中心医生交叉分割及二次评估建立高质量数据集，从而提高深度学习在复杂临床场景中的分割能力。

2）临床应用中的可用性及隐私性问题

深度学习的临床应用受设备算力和医疗数据隐私要求限制。为保障患者医疗数据隐私，同时方便医生调用人工智能功能，需要降低数据关联风险，提升医疗机构计算能力。可通过严格控制数据访问权限、设置院内数据中心算力等方式，在保证数据安全性的前提下，最大程度提升临床可用性。

3）临床应用中的可解释性问题

受限于深度学习中的黑箱特性，其预测结果难以直观解释，因而阻碍了在临床场景中的广泛应用。未来可通过引入注意力机制或可视化技术，提高深度学习的可解释性，帮助临床医生理解模型的工作原理，从而推动其在临床实践中的应用。

4.小结

基于CBCT的深度学习辅助口腔种植解剖结构分割可以更加快速、精准地获得颌骨、牙、下颌管和上颌窦的三维模型。该方法对于提高口腔种植修复的临床诊疗水平具有重要意义。尽管目前深度学习的临床应用受终端设备算力、医疗数据隐私及预测结果可靠性限制，但是相信随着深度学习算法的发展、高质量数据集的构建以及算力的提升，基于CBCT的深度学习辅助口腔种植解剖结构分割能够在不断迭代后，进一步优化和开展临床推广应用。

来源：高乾程,李新东,曹明国,等.基于CBCT的深度学习辅助解剖结构分割在口腔种植中的应用[J].中国口腔种植学杂志,2024,29(01):82-86.

(本网站所有内容，凡注明来源为“医脉通”，版权均归医脉通所有，未经授权，任何媒体、网站或个人不得转载，否则将追究法律责任，授权转载时须注明“来源：医脉通”。本网注明来源为其他媒体的内容为转载，转载仅作观点分享，版权归原作者所有，如有侵犯版权，请及时联系我们。)