Huifang Yang; Xinwen Wang & Gang Li
El objetivo del presente estudio fue extraer estructuras dentarias y óseas alveolares desde imágenes CBCT automáticamente, lo cual es un paso clave en el análisis de imáge- nes CBCT en el campo de la estomatología. En este estudio, se utilizó la segmentación de tipo emántica para la segmentación au- tomática. Se ingresaron cinco clases de imágenes CBCT marca- das, para el entrenamiento de la red neuronal U-net. El tejido duro del diente (incluidos esmalte, dentina y cemento), la cavidad de la pulpa dentaria, hueso cortical, hueso esponjoso y otros tejidos se marcaron manualmente en cada clase. Los datos se obtuvieron de diferentes regiones de interés. La configuración de la red y los parámetros de entrenamiento se optimizaron y ajustaron de acuerdo con un análisis predictivo. Este método se puede utilizar para segmentar dientes y estructuras óseas periféricas mediante CBCT. El tiempo del proceso de segmentación automática para cada CBCT fue menor a 13 min. El “Dice” de evaluación de la imagen de referencia fue de 98 %. El modelo U-net combinado con el método “watershed”puede segmentar eficazmente los dientes, la cavidad pulpar y el hueso cortical en imágenes CBCT. Puede proporcionar información morfológica para el tratamiento clínico.
PALABRAS CLAVE: Red neuronal convolucional; Seg- mentación de dientes; Tomografía computarizada de haz cóni- co; Morfología.
YANG, H.; WANG, X. & LI, G. Tooth and pulp chamber automatic segmentation with Artificial intelligence network and morphometry method in Cone-beam CT. Int. J. Morphol., 40(2):407-413, 2022.
