طراحی الگوریتم تخمین ابعاد ایمپلنت دندانی بر اساس مقاطع کراس سکشنال CBCT مبتنی بر هوش مصنوعی

هدف: هدف این مطالعه طراحی، توسعه و اعتبارسنجی یک الگوریتم مبتنی بر هوش مصنوعی برای تخمین خودکار ابعاد ایمپلنت دندانی (طول و قطر) بر اساس مقاطع کراس سکشنال توموگرافی کامپیوتری با پرتو مخروطی (CBCT) و ارائه خروجی در قالب یک رابط کاربری قابل استفاده در فرآیند برنامه ریزی پیش از جراحی بود. روش اجرا و مواد مورد استفاده: این پژوهش به صورت گذشته نگر بر روی تصاویر CBCT بیماران کاندیدای ایمپلنت تک دندانی انجام شد. تعداد 300 کیس برای آموزش و اعتبارسنجی داخلی مدل و 50 کیس مستقل از مرکز دیگر برای اعتبارسنجی خارجی مورد استفاده قرار گرفت. ساختارهای آناتومیک کلیدی به صورت چندارزیاب مستقل لیبل گذاری و پس از بازبینی ارزیاب ارشد، مرجع نهایی (Ground Truth) تعیین شد. مدل سگمنتیشن بر پایه معماری U-Net با انکودر ResNet50 توسعه یافت و آموزش با اعتبارسنجی متقاطع در سطح بیمار انجام شد. عملکرد مدل در تخمین طول و قطر ایمپلنت با شاخص هایی نظیر MAE، RMSE، ضریب تعیین و تحلیل Bland–Altman ارزیابی گردید. خروجی مدل در قالب یک رابط کاربری طراحی شد که امکان انتخاب ناحیه هدف (ROI) و دریافت پیشنهاد برای ابعاد ایمپلنت را فراهم می کرد. یافته ها: در اعتبارسنجی داخلی، برای طول (MAE=0.7098، RMSE=1.1830، R²=0.3698) و برای قطر (MAE=0.0714، RMSE=0.2315، R²=0.7780) عملکرد مدل معنی دار و قابل قبول بود. در اعتبارسنجی خارجی، تخمین طول روند قابل قبولی نشان داد (MAE=0.2857، RMSE=0.7559، R²=0.3171)، اما عملکرد قطر در داده های مستقل افت کرد (MAE=0.4286، RMSE=0.5809، R²=−9.1769) که نشان دهنده نیاز به بهینه سازی بیشتر برای تعمیم پذیری این خروجی است. نتیجه گیری: سامانه توسعه یافته پس از انتخاب محل جراحی توسط کاربر می تواند پیشنهاد طول، قطر و موقعیت ایمپلنت را به صورت خودکار ارائه کند و به عنوان ابزار کمک تصمیم در برنامه ریزی پیش از جراحی قابل استفاده باشد. نتایج نشان داد تعمیم پذیری خروجی طول در داده های مستقل حفظ می شود، در حالی که برای قطر به بهبودهای داده محور و مدل محور بیشتری نیاز است.

کلیدواژه ها:

الگوریتم ها ، ایمپلنت های دندانی ، توموگرافی کامپیوتری با پرتو مخروطی ، یادگیری عمیق ، هوش مصنوعی