目的:观察计算机辅助设计与制作一体化氧化锆全瓷桩核修复牙体缺损的临床效果。方法:选取47例患者,72颗牙体缺损的患牙接受了计算机辅助设计与制作的一体化氧化锆全瓷桩核及全瓷冠的修复。临床分为2组,A组:3壁或4壁牙体缺损患牙39颗,B组:2壁或1壁牙体缺损患牙33颗。临床观察修复后桩核的稳定性、有无桩核脱落、牙体组织折裂和桩核的折断,同时采用美国公共健康协会(United States Public Health Service,USPHS)的修订标准,观察修复体的颜色匹配性和边缘密合性。结果:47例患者,平均观察约(65.0±4.8)月。在观察期间,通过临床和X线检查,两组均未发现有桩核的脱落、折断和牙体组织的折裂,修复体完整。配对t检验,P>0.05,A、B两组修复效果差异无统计学意义。修复体与邻牙颜色匹配性:A级67颗,B级5颗,颜色匹配率为93.06%;边缘密合性检查:A级64颗,B级8颗,边缘密合度率为88.89%。结论:计算机辅助设计与制作的一体化氧化锆全瓷桩核修复牙体缺损有良好临床效果,可以作为牙体缺损患牙桩核冠修复的一种较好的临床选择。
目的建立基于人工智能技术的牙菌斑智能判读系统,分析影响其判读结果的相关因素。方法2018年10月至2019年6月用家用口腔内镜(1280×960像素,东莞立港医疗器材有限公司)拍摄北京大学口腔医学院的25名研究生志愿者[男性12名,女性13名,年龄(23±3)岁]口内牙齿唇颊侧照片,使用菌斑染色剂(Cimedical,日本)进行菌斑染色后,用同样拍摄方法再次拍摄照片,共收集符合纳入标准的549组恒牙牙菌斑染色前后的牙齿照片。将549组图像采用随机数字表法分为440组训练数据集和109组测试数据集。设计并实现基于DeepLab的深度学习模型,采用LabelMe软件(Windows版3.2.1,MIT,美国)进行标注,对标注后的440组训练数据集进行训练,并据此建立恒牙牙菌斑智能判读系统,使用平均交并比(mean intersection over union,MIoU)作为评估该算法识别准确性的量化指标,用建立的恒牙牙菌斑智能判读系统对109组测试照片进行判读。使用Matlab软件(Windows版R2017a,MathWorks,美国)提取109组照片的牙菌斑边缘线,计算菌斑边缘线像素点个数,以此衡量牙菌斑边缘的复杂性,并计算牙菌斑面积百分比。基于多元线性回归分析牙位、牙菌斑面积百分比、牙菌斑边缘线像素点个数、镜头光源光斑是否位于菌斑区域对于恒牙牙菌斑判读准确性的影响,通过方差检验比较模型调整后的决定系数R2选择拟合效果更优的模型。结果恒牙牙菌斑智能判读系统对测试组判读的MIoU值为0.700±0.191。当牙菌斑面积百分比、牙菌斑边缘线像素点个数进入回归模型时,R2值为0.491,高于只有牙菌斑百分比进入模型时的R2,牙菌斑面积百分比、牙菌斑边缘线像素点个数对恒牙牙菌斑判读准确性有显著影响(P<0.05)。牙菌斑边缘线像素点个数的标准化系数为-0.289,菌斑面积百分比的标准化系数为-0.551。结论本研究通过家用口腔内镜采集的恒牙牙面图像构建了恒牙牙菌斑智能判读系统,该系统可以较准确地判断牙菌斑的附着情况;牙菌斑边缘线越复杂,牙菌斑面积百分比越高,菌斑识别的准确性越低。
暂无评论