目的观察髁突骨小梁结构单元感兴趣区(volume of interest,VOI)的分布特点,分析髁突骨小梁的三维影像解剖形态特征。方法对北京大学医学部遗体捐献的1例61岁男性尸体右侧髁突标本的micro-CT影像进行分析。在髁突骨小梁范围内不同层面按...
详细信息
目的观察髁突骨小梁结构单元感兴趣区(volume of interest,VOI)的分布特点,分析髁突骨小梁的三维影像解剖形态特征。方法对北京大学医学部遗体捐献的1例61岁男性尸体右侧髁突标本的micro-CT影像进行分析。在髁突骨小梁范围内不同层面按规律尽可能多地排列直径2 mm、高度2 mm的圆柱体VOI单元,且各VOI单元无交叉区域。将选取的VOI单元划分为内、中、外、前、后共5个区,从上到下共6层,通过分析每个VOI单元的骨矿物质密度(bone mineral density,BMD)、骨体积分数(bone volume/total volume,BV/TV)、骨比表面积(bone surface area/bone volume,BS/BV)、骨小梁厚度(trabecular thickness,***)、骨小梁数量(trabecular bone number,Tb.N)、骨小梁分离度(trabecular spacing,***)以及骨小梁模式因子(trabecular bone pattern factor,***)等7个形态学参数,获取髁突骨小梁整体三维影像解剖形态特征的分布情况。结果本研究扫描的髁突标本共选取34个VOI单元,BMD、BV/TV、***和Tb.N在中区均值较大,内区均值最小,在1、2、5、6层前区>后区,3、4层后区>前区;BMD在1层[(332.66±97.11)mg/cm^3]和6层[(344.24±45.68)mg/cm3]较高,2层[(255.79±41.06)mg/cm3]最低;BV/TV和Tb.N在1层较高,5层最低;***在1层[(0.11±0.03)mm]较高,其余层数值相近且较低。BS/BV、***和***在1层较低,总体上内区和外区较高,中区和前区较低,1、5、6层后区>前区,3、4层前区>后区。ANOVA分析显示,VOI单元的7个形态学参数在6层间差异均无统计学意义(P>0.05);但在5个分区间BV/TV、BS/BV、***、Tb.N、***和***差异均有统计学意义(P<0.05),BMD则差异无统计学意义(P>0.05)。结论本研究基于VOI单元对髁突骨小梁进行划分,获得髁突骨小梁三维影像解剖特征分布数据,显示髁突骨小梁的三维影像解剖形态区域分布不均匀,该方法可进一步分析髁突骨小梁结构的三维影像解剖形态学等特征。
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