Серкан Ö. Арик, Булат Ибрагимов, Лей Син
Авторские принадлежности -
Серкан Ö. Арик, 1 Булат Ибрагимов, 2 Лей Син2
Перевод:Канаметов А.Б
1Baidu США (США)
2Стэнфордский университет Медицинский факультет
Извлечение
Количественная цефалометрия играет важную роль в клинической диагностике, лечении.Разработка полностью автоматизированных методов для этих процедур важна для обеспечения последовательно точного компьютеризированного анализа. Мы впервые изучаем применение глубоких сверточных нейронных сетей (CNN) для полностью автоматизированной количественной цефалометрии. Предлагаемая структура использует CNN для обнаружения ориентиров, которые описывают анатомию изображенного пациента и дают количественную оценку патологий в области основания челюстей и черепа. Мы используем общедоступный набор данных цефалометрических рентгеновских изображений для обучения CNN распознаванию знаковых моделей внешнего вида. CNN обучаются выводить вероятностные оценки различных знаковых мест, которые объединяются с использованием модели, основанной на форме. Мы оцениваем общую структуру на наборе для испытаний и сравниваем с другими предлагаемыми методами. Мы используем предполагаемые ориентиры для оценки анатомически значимых измерений и классификации их по различным анатомическим типам. В целом, наши результаты демонстрируют высокую точность обнаружения анатомических ориентиров (∼1%∼1%до 2% более высокого показателя обнаружения успеха для диапазона 2 мм по сравнению с лучшими эталонами в литературе) и высокой точностью классификации анатомических типов (∼76%∼76%средняя точность классификации для тестового набора). Мы демонстрируем, что CNN, которые просто вводят необработанные патчи изображений, являются перспективными для точной количественной цефалометрии.
