치아 임플란트 절차에 CBCT 스캔의 의존도가 증가함에 따라 하악 해부학적 구조의 정확하고 효율적인 분할의 필요성이 커졌으며, 이는 치과악안면 방사선 전문의에게 상당한 부담을 주고 있습니다. 본 연구는 세 가지 고급 모델을 비교하고 해결책을 제안함으로써 자동화된 심층 학습 기반 분할의 임상적 적용 가능성을 다룹니다. 본 연구는 alveolar bone 및 inferior alveolar canal의 단면 CBCT 이미지에서 세 가지 최첨단 분할 모델(YOLOv8-seg, nnUNet 및 SwinUNETR)의 성능을 평가하였습니다. 분할 기능이 있는 단일 단계 CNN 탐지기인 YOLOv8-seg는 선별된 데이터 세트에서 훈련되었고 표준 메트릭을 사용하여 다른 모델과 비교되었습니다. YOLOv8-seg 모델은 DSC 0.962, IoU 0.929 및 mAP50 0.952로 우수한 분할 정확도를 달성했습니다. 추론 시간(0.00586 초/이미지)은 기존 모델보다 100배 이상 효율적입니다. 전방 영역에서의 일부 잘못된 양성 조정관 분할에도 불구하고, YOLOv8-seg는 강력한 일반화 능력과 임상적 가능성을 보여 주었습니다. 추가 검증 및 데이터 세트 개선을 통해 YOLOv8-seg는 높은 정확도 매개변수와 상당한 계산 효율성을 제공하며 CBCT 이미지 분할을 위한 임상적으로 적용 가능한 도구로서의 잠재력을 보여줍니다. 실제 치과 임플란트 계획 워크플로에 통합될 경우 clinician의 작업량을 줄이고 의사 결정의 일관성을 개선할 수 있습니다.
Rashid et al. (Sat,)은 이 문제를 연구했습니다.