ToothFairy2023——CBCT牙槽神经分割

今天将分享CBCT牙槽神经分割完整实现版本，为了方便大家学习理解整个流程，将整个流程步骤进行了整理，并给出详细的步骤结果。感兴趣的朋友赶紧动手试一试吧。

一、ToothFairy2023介绍

锥形束计算机断层扫描 (CBCT) 对于种植牙和颌面外科的治疗计划和诊断变得越来越重要 。通过 CBCT 获得的三维信息对于大量手术计划干预至关重要，目的是保留重要的解剖结构，例如下牙槽管 (IAC)，这是一种包含同侧神经的下颌骨骨结构（下牙槽骨）肺泡神经 (IAN)、动脉和静脉。识别可确保在拔除阻生第三磨牙、种植体定位或去除囊性病变的情况下，通过防止可能显著降低生活质量的牙齿或神经结构损伤来保护它。

深度学习模型可以通过提供 IAN 的体素级分割来支持医务人员制定手术计划程序，这比日常临床实践中常用的二维注释更准确。不幸的是，可用的 3D 颌面数据集的范围很小，严重限制了基于深度学习的技术的性能。另一方面，在颌面实践中每天都会产生大量稀疏的 2D 注释数据。神经定位的不完整检测通常足以促进手术干预的积极结果，但它不是准确的解剖学表示。然而，2D 注释无法识别大量关于 IAN 位置和骨骼结构的内部信息。此外，深度学习方法将密集 3D 注释的存在视为一个关键因素。尽管如此，此类注释的可用性受到所需大量时间的强烈限制。提出的挑战旨在推动深度学习框架的发展，通过逐步扩展公开可用的 3D 注释 CBCT 扫描的数量来分割下牙槽神经。

二、ToothFairy2023任务

在CBCT图像中分割下牙槽神经。

三、ToothFairy2023数据集

数据集包含稀疏标注和密集标注两种，其中稀疏标注有446例，密集标注有153例。数据结构如下所示。

评价指标：Dice 分数、HD95分数、最大使用内存 (Mem) 和总执行时间 (Time)。

四、技术路线

1、牙齿区域提取，首先使用固定阈值（800，最大像素值）和最大连通域法获取整个牙齿ROI区域。

2、分析ROI图像，得到图像平均大小是84x155x95，因此将图像缩放到固定大小160x256x160。图像预处理，对步骤1的原始图像进行（0，1000）窗宽窗位截断，然后采用均值为0，方差为1的方式进行归一化处理。然后将数据分成训练集和验证集，对训练集做10倍数据增强处理。

3、搭建VNet3d网络，使用AdamW优化器，学习率是0.001，batchsize是2，epoch是300，损失函数采用二值化的dice和交叉熵。

4、密集训练结果和验证结果

5、密集验证集分割结果

左图是金标准结果，右图是网络预测结果。

6、密集测试集分割结果

左图是金标准结果，右图是网络预测结果。

7、稀疏训练结果和验证结果

稀疏分割首先对稀疏标注数据进行形态学膨胀3个像素，进行网络训练和推理，最后对分割提取的结果进行3d细化得到稀疏分割结果。

8、稀疏验证集分割结果

左图是金标准结果，右图是网络预测结果。

9、稀疏测试集分割结果

左图是金标准结果，右图是网络预测结果。