コーンビームCT画像を用いたYOLOv5アーキテクチャによる第2中頬側管のセグメンテーション

Second mesiobuccal canal segmentation with YOLOv5 architecture using cone beam computed tomography images.

抄録

本研究の目的は、CNNアーキテクチャに基づくディープラーニングモデルを用いて、上顎大臼歯の根管にバリエーションとしてみられる第2中頬側（MB2）管を検出することである。本研究では、153人の患者のコーンビームCT（CBCT）画像から得られた922の軸切片を使用した。セグメンテーション法を用いて、歯内治療歴のない上顎大臼歯のMB2根管を同定した。ラベル付けされた画像は、トレーニング群（80％）、検証群（10％）、テスト群（10％）に分けられた。人工知能（AI）モデルは、You Only Look Once v5（YOLOv5x）アーキテクチャを用いて、500エポック、学習率0.01で学習させた。結果の統計的評価には、コンフュージョンマトリックスと受信者動作特性（ROC）分析を用いた。MB2管腔セグメンテーションモデルの感度は0.92、精度は0.83、F1スコア値は0.87であった。モデルのROCグラフにおける曲線下面積（AUC）は0.84であった。0.5インターオーバーユニオン(IoU)におけるmAP値は0.88であった。使用した深層学習アルゴリズムは，MB2管の検出において高い成功率を示した．新たに作成された人工知能ベースのモデルを使用して、治療前に根管解剖学的構造の変化を特定することで、歯内療法の成功率を高め、臨床医の時間を節約することができる。

The objective of this study is to use a deep-learning model based on CNN architecture to detect the second mesiobuccal (MB2) canals, which are seen as a variation in maxillary molars root canals. In the current study, 922 axial sections from 153 patients' cone beam computed tomography (CBCT) images were used. The segmentation method was employed to identify the MB2 canals in maxillary molars that had not previously had endodontic treatment. Labeled images were divided into training (80%), validation (10%) and testing (10%) groups. The artificial intelligence (AI) model was trained using the You Only Look Once v5 (YOLOv5x) architecture with 500 epochs and a learning rate of 0.01. Confusion matrix and receiver-operating characteristic (ROC) analysis were used in the statistical evaluation of the results. The sensitivity of the MB2 canal segmentation model was 0.92, the precision was 0.83, and the F1 score value was 0.87. The area under the curve (AUC) in the ROC graph of the model was 0.84. The mAP value at 0.5 inter-over union (IoU) was found as 0.88. The deep-learning algorithm used showed a high success in the detection of the MB2 canal. The success of the endodontic treatment can be increased and clinicians' time can be preserved using the newly created artificial intelligence-based models to identify variations in root canal anatomy before the treatment.