コーンビームCTにおける下歯槽神経と下顎第3大臼歯の自動検出と近接度定量化

Automatic detection and proximity quantification of inferior alveolar nerve and mandibular third molar on cone-beam computed tomography.

抄録

目的:

下顎第三大臼歯（MTM）抜歯術において、MTMと周囲の下歯槽神経（IAN）との近接性を定量化する術前分析は、IAN損傷のリスクを最小化するために不可欠である。本研究の目的は、コーンビームCT（CBCT）画像におけるIANとMTMの近接を定量的に測定する自動化ツールを提案することである。

OBJECTIVES: During mandibular third molar (MTM) extraction surgery, preoperative analysis to quantify the proximity of the MTM to the surrounding inferior alveolar nerve (IAN) is essential to minimize the risk of IAN injury. This study aims to propose an automated tool to quantitatively measure the proximity of IAN and MTM in cone-beam computed tomography (CBCT) images.

材料と方法:

546のMTMを有する302のCBCTスキャンを含むデータセットを用いて、IAN、MTM、および交差領域IRの自動検出をサポートするディープラーニングベースのネットワークを開発した。正確な近接検出を確実にするため、距離検出アルゴリズムと体積測定アルゴリズムも開発した。

MATERIALS AND METHODS: Using the dataset including 302 CBCT scans with 546 MTMs, a deep-learning-based network was developed to support the automatic detection of the IAN, MTM, and intersection region IR. To ensure accurate proximity detection, a distance detection algorithm and a volume measurement algorithm were also developed.

結果:

ディープラーニングベースのモデルは、ターゲット構造の有望なセグメンテーション精度を示した（ダイス類似度係数：0.9531±0.0145、IAN、0.9832±0.0055、MTM、0.8336±0.0746、IR）。また、開発したアルゴリズムを適用することで、IANとMTM間の距離およびIRの体積を同等に検出することができた（90％信頼区間（CI）：-0.0345-0.0014mm、距離；-0.0155-0.0759mm、体積）。IAN、MTM、IRのセグメンテーションに要した時間の合計は2.96±0.11sであったが、正確なマニュアルセグメンテーションには39.01±5.89分を要した。

RESULTS: The deep learning-based model showed encouraging segmentation accuracy of the target structures (Dice similarity coefficient: 0.9531 ± 0.0145, IAN; 0.9832 ± 0.0055, MTM; 0.8336 ± 0.0746, IR). In addition, with the application of the developed algorithms, the distance between the IAN and MTM and the volume of the IR could be equivalently detected (90% confidence interval (CI): - 0.0345-0.0014 mm, distance; - 0.0155-0.0759 mm, volume). The total time for the IAN, MTM, and IR segmentation was 2.96 ± 0.11 s, while the accurate manual segmentation required 39.01 ± 5.89 min.

結論:

本研究は、CBCTにおけるIANおよびMTMの検出および近接定量化のための、新規で高速かつ正確なモデルを提示した。

CONCLUSIONS: This study presented a novel, fast, and accurate model for the detection and proximity quantification of the IAN and MTM on CBCT.

臨床的意義:

このモデルは、ディープラーニングネットワークが、従来にない定量的レベルでIANとMTMの近接を検出することにより、外科医がMTM摘出手術のリスクを評価するのを支援する可能性があることを示している。

CLINICAL RELEVANCE: This model illustrates that a deep learning network may assist surgeons in evaluating the risk of MTM extraction surgery by detecting the proximity of the IAN and MTM at a quantitative level that was previously unparalleled.