目的:观察氧化锆全瓷贴面修复重度变色前牙的临床修复效果。方法:选取牙体治疗后重度变色小面积缺损的前牙,采用氧化锆基底全瓷贴面修复,同名正常前牙为对照牙,共修复15颗患牙。测量修复前后患牙唇侧颈1/3、中1/3、切1/3与对照牙色差ΔE值,明确氧化锆全瓷贴面的美学效果;参照美国公共卫生署(United States Public Health Service,USPHS)的标准观察患牙修复完成后的边缘适合性,以及修复体的折裂、脱落等。结果:重度变色前牙氧化锆全瓷贴面修复前与对照牙颈1/3、中1/3、切1/3色差ΔE值分别为24.92±3.00、26.64±4.00和21.94±3.31,均明显高于4.0,为临床所不接受;修复后唇侧切1/3、中1/3与对照牙色差ΔE值分别为1.82±0.17和1.84±0.21,均小于2.0,有良好的匹配性,颈1/3色差ΔE值为3.92±0.48,稍小于4.0,在临床可接受的范围。患牙颈1/3、中1/3、切1/3修复前后与对照牙色差ΔE值配对t检验,t值分别为30.37、21.56和23.37,均P<0.001,修复前后患牙颜色差异有统计学意义。修复体有良好的边缘适合性,均为A级,在观察期间,修复体完整,无折裂和脱落。结论:氧化锆全瓷贴面可作为重度变色前牙患牙美观修复的一种选择,但对于美学效果要求过高的患者要慎重使用。
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