ディープラーニングによるインプラント周囲の隆起欠損の同定

Deep learning for the identification of ridge deficiency around dental implants.

抄録

目的:

本研究は、コーンビームCT（CBCT）の画像スライスに基づくインプラント周囲の隆線欠損の自動同定にディープラーニング（DL）アプローチを用いることを目的とした。

OBJECTIVES: This study aimed to use a deep learning (DL) approach for the automatic identification of the ridge deficiency around dental implants based on an image slice from cone-beam computerized tomography (CBCT).

材料と方法:

412名の患者における下顎630本および上顎845本の仮想埋入インプラント（直径4～5mm、長さ10mm）の中心長軸を横切る単一スライスを使用した。隆起は、口腔内の骨とインプラントの支持および洞底の位置に基づいて分類した。スライスは、DL前に歯槽骨隆起を均質化する前処理を行うか（前処理済み）、未処理のままとした。DLにはResNet-50アーキテクチャの畳み込みニューラルネットワークを採用した。

MATERIALS AND METHODS: Single slices crossing the central long-axis of 630 mandibular and 845 maxillary virtually placed implants (4-5 mm diameter, 10 mm length) in 412 patients were used. The ridges were classified based on the intraoral bone-implant support and sinus floor location. The slices were either preprocessed by alveolar ridge homogenizing prior to DL (preprocessed) or left unpreprocessed. A convolutional neural network with ResNet-50 architecture was employed for DL.

結果:

モデルは、未処理の画像スライスで98.5%以上の精度を達成し、前処理スライスで観察された精度よりも優れていることがわかった。下顎では、モデルの精度は98.91±1.45％であり、2値分類タスクにおけるモデルの精度の指標であるF1スコアは、水平・垂直欠損を併せ持つ隆起部において最も低かった（97.30％）。上顎では、モデル精度は98.82±1.11％であり、インプラントカラーとサイ ナスフロアの距離が5～10mmで、脱落欠損があるリッジのF1スコアが最 低（95.86％）であった。90%以上のモデル精度を達成するためには、下顎スライス441枚以上、または上顎スライス592枚以上が必要であった。

RESULTS: The model achieved an accuracy of >98.5% on the unpreprocessed image slices and was found to be superior to the accuracy observed on the preprocessed slices. On the mandible, model accuracy was 98.91 ± 1.45%, and F1 score, a measure of a model's accuracy in binary classification tasks, was lowest (97.30%) on the ridge with a combined horizontal-vertical defect. On the maxilla, model accuracy was 98.82 ± 1.11%, and the ridge presenting an implant collar-sinus floor distance of 5-10 mm with a dehiscence defect had the lowest F1 score (95.86%). To achieve >90% model accuracy, ≥441 mandibular slices or ≥592 maxillary slices were required.

結論:

インプラント周囲の隆線欠損は、CBCT画像スライスからのDLを使用することで、前処理による均質化を必要とせずに同定できる。このモデルは、歯科インプラント治療計画における臨床的な専門知識をさらに導入し、3次元的なインプラントとリッジの関係を分類するために複数のスライスを取り入れることで、さらに強化されるであろう。

CONCLUSIONS: The ridge deficiency around dental implants can be identified using DL from CBCT image slices without the need for preprocessed homogenization. The model will be further strengthened by implementing more clinical expertise in dental implant treatment planning and incorporating multiple slices to classify 3-dimensional implant-ridge relationships.