コーンビームCTを用いたディープラーニングに基づく新たな顎骨密度レベル自動グレーディングシステムの構築

Scientific Reports volume 12、記事番号: 12841 (2022) この記事を引用

1295 アクセス

1 引用

4 オルトメトリック

メトリクスの詳細

コーンビームコンピュータ断層撮影（CBCT）画像から得られるX線撮影データから、口腔インプラント手術におけるインプラント部位の骨密度レベルを決定するための、人工知能ディープラーニングを使用した自動分類方法を開発および検証します。下顎歯列欠損のある 70 人の患者を CBCT を使用してスキャンしました。これらの医療におけるデジタルイメージングおよびコミュニケーションデータは 605 のトレーニングセットに分割され、データ標準化によってデータが処理され、ハウンズフィールドユニット (HU) 値レベルが次のように決定されました。タイプ 1、1000 ～ 2000。タイプ 2、700 ～ 1000。タイプ 3、400 ～ 700。タイプ 4、100 ～ 400。 5、-200–100 と入力します。訓練を受けた歯科インプラント医師 4 名が、ソフトウェア LabelMe を使用して、画像内の顎の骨密度レベルの領域を手動で特定し、分類しました。次に、LabelMe によって生成された HU 値を利用して、20 年の臨床経験を持つ医師がラベル表示レベルを確認しました。最後に、歯科インプラント医師によってマークされたさまざまなカテゴリの HU 平均値が、人工知能モデルによって検出された平均値と比較され、人工知能分類の精度が評価されました。モデルが 605 のトレーニングセットでトレーニングされた後、モデルによって検出されたデータセット内のさまざまなカテゴリの HU 平均値の統計結果は、データアノテーションの HU グレーディング間隔とほぼ同じでした。この新しい分類は、口腔インプラント手術の術前の意思決定および術中の穴の準備中に、外科医が穴あけ速度とツールの選択を調整するためのより詳細なソリューションを提供します。

臨床的には、骨の質の定義について明確なコンセンサスはありませんが、一般に、骨の石灰化の程度や骨梁の形状と種類など、多くの側面が含まれます。現在、最も広く使用されている顎の骨質分類は、1985 年に Lekholm と Zarb によって提案された 4 種類の顎骨分類です1。顎の X 線画像 2: I 型の骨は血管が最も少なく、最も均質であると考えられており、II 型は皮質骨と骨髄腔の組み合わせであり、III 型は主に海綿骨で構成され、IV 型は非常に薄い骨であるとされています。皮質と低密度小柱。しかし、既存の等級付け方法は骨の質の等級付けに限定されています。これは、1 つの領域で異なる密度の骨を観察することが一般的なインプラント手術の状況では不利です。したがって、この分類システムを単独で使用すると、インプラント埋入中にインプラント部位のオフセットやねじれの損失が発生する可能性があります。口腔インプラント手術における骨分類の最終目標は、外科医がインプラント手術中に空洞の準備のサイズとインプラントの直径の選択を決定できるように、インプラント部位の領域をより包括的に理解するためのガイドとなることであると当社は考えています。さらに、改良された骨分類システムにより、インプラントの初期安定性と手術中の穴あけに対する抵抗力が向上します。

この研究では、より詳細な骨密度分類を提供するために、ディープラーニング人工知能手法を採用して、コーンビームコンピュータ断層撮影（CBCT）画像から得られた放射線データからインプラント部位のさまざまな位置の骨密度タイプを決定しました。範囲。この方法により、骨密度グレード判定の精度も向上し、個人の主観的判断の誤りの可能性を低減することができる。この手法に基づいて自動分類手法を開発・検証し、新たな顎骨分類基準を提案した。顎の骨は5つのタイプに分けられ、タイプ1が最も密度が高く、タイプ5が最も緩いです。ビッグデータ人工知能システムを使用して骨の種類の範囲が自動的に調整され、インプラント手術の際に臨床医をより適切にガイドできます。

データのラベリングと処理：2020年3月から2020年9月までに福建医科大学付属歯科病院で治療を受けた下顎歯列欠損患者70名が選択され、CBCT（KAVO i-CAT）でスキャンされました。 70 の DICOM データが抽出され、垂直矢状弓切断の前処理プログラムにインポートされ、データセットごとに約 10 個が切断され、最終的に 605 のトレーニングセットが得られました。 HU 値によると、認識されている顎骨のタイプは次のとおりです。タイプ 1、1000 ～ 2000。タイプ 2、700 ～ 1000。タイプ 3、400 ～ 700。タイプ 4、100 ～ 400。 5、-200–100 と入力します。まずデータの標準化が行われました。経験から、-200 ～ 2000 の範囲内の HU 値が抽出されました。最大値より大きいものを最大値、最小値より小さいものを最小値とした。ラベル付けの便宜のために、DICOM データマッピングは PNG 形式に変換され、グラフィカル画像注釈ツール LabelMe 4.5.6 にインポートされました。訓練を受けた歯科インプラント医師 4 名が、スライスの HU 値を組み合わせて、画像内の顎の骨密度レベルの領域を手動で特定し、ラベルを付けました (図 1)。そこで、20年の臨床経験を持つ医師がLabelMeソフトウェアのHU値を目安に表示レベルを確認しました。画像のランダム選択を 5 回繰り返して、分類が正しいことを確認しました。さらに、各評価者を基準分類と比較し、主観的分類の有効性を評価した。データセットは、9:1 の比率でトレーニングセットとテストセットに分割されました。

モデルの構築: 現在の研究では、マルチスケール情報を抽出および融合して、対応するセマンティックセグメンテーションの結果を決定するバックボーンとして Nested-UNet3 を選択しました。ネストされた UNet には、UNet4 の異なるレベルのスタックが含まれます。この場合、高密度の短い結合 (上部および下部のサンプリング) が追加されることで、深さと浅い特徴のより適切な組み合わせと、UNet よりも優れた特徴抽出パフォーマンスが実現されます (図 2)。

骨密度の注釈画像。

UNet と Nested-UNet のモデル構造。

Nested U-net に基づいて、「FocalLoss」5 の「ピクセルレベル」(1) と損失 Diceloss のクラスレベル (2) を使用して、対応する損失を最適化し、その後、特定の重みに応じて 2 つの損失 (3) を最適化しました。重み付けされた関数から生じる合計損失。 Diceloss を単独で使用すると、トレーニングの安定性が低下します。 FocalLoss を追加すると、正のサンプルと負のサンプルの不均衡が解決され、収束が加速されます。 2 つの異なる損失次元による最適化も、モデルがタスクをより深く理解するのに役立ちます。

式では、 1 において、y はラベルを表し、y' は予測結果を表します。バランス係数 \(\alpha\) は、陽性サンプルと陰性サンプルの不均等な比率のバランスを取るために使用されます。係数 \(\gamma\) を使用すると、分割しやすいサンプルの損失を減らすことができます。難しいサンプルに焦点を当てます。

A と B は、それぞれ予測結果とグラウンドトゥルース (GT) を表します。 \(\left| {A \cap B} \right|\) は AB の交点であり、\(\left| A \right|\left| B \right|\) は A と B の要素の数を表します。、それぞれ。

さらに、データ拡張モジュールを最適化し、データのランダムな回転やスケーリングなどの操作を実行して、モデルの堅牢性を向上させました。最後に、セグメンテーション結果は、対応する接続されたドメインによって処理されて、最終的なセグメンテーション結果が得られます。

この研究はヘルシンキ宣言の原則に従って実施されました。福建医科大学附属口腔病棟生物医学研究倫理委員会により承認が得られた（2021年8月9日付け／第60号）。

研究に含まれるすべての個々の参加者からインフォームドコンセントが得られました。

モデルが 605 のトレーニングセットでトレーニングされた後、68 のテストセットでの各カテゴリの平均サイコロは最大 0.75 に達する可能性がありました。

68 のテストセットがカウントされ、医師によってラベル付けされた HU 平均とモデルによって検出された HU 平均の統計結果が表 1 に示されています。ニューラルネットワークテスト結果のすべてのカテゴリの平均 HU が示されていることがわかります。医師によってラベル付けされた HU グレーディング間隔とほぼ同じです。

医師がラベル付けした HU 値の標準偏差とモデルが予測した標準偏差の分析と比較の結果を表 2 に示します。モデルが各カテゴリを予測した場合、HU 値の標準偏差はこのカテゴリーの平均値は、医師がラベル付けしたカテゴリーの標準偏差と一致していました。これは、各骨密度レベルの HU 値が過度の偏差なく特定の範囲内で変動する必要があることをモデルが学習したことを示します。

認識効果を図3に示します（タイプ1〜5をそれぞれ赤、黄、緑、青、紫で表します）。

骨密度セクションとその識別効果マップ。左から右にオリジナル画像、ドクターズラベル、モデル識別効果マップです。

人工知能 (AI) の中で、機械学習は、コンピュータービジョン、音声認識、自然言語処理、ロボット制御、その他のアプリケーションのための実用的なソフトウェアを開発するための最適な方法として浮上しています6。データのコンピューター処理とアルゴリズムの組み合わせに基づいて決定が行われるため、AI は同じ状況で人間と比較して精度を向上させ、エラーの可能性を減らすことができます。さらに、機械は人間とは異なり、感情的要因、精神状態、個人の経験などの主観的要因の影響を受けないため、問題に対処する際の機械の効率が大幅に向上し、正しい判断を迅速に下すことができます。診断や治療手順などで AI を組み合わせることで、誤診のリスクを大幅に軽減できます。

人工知能は歯科分野で広く研究されています。実際、Lu ら 7 は、人工知能ディープラーニングを使用して頭頸部腫瘍を患う 36 人の患者からのサンプルを分析し、ハイパースペクトルイメージング技術を使用して人工知能モデルを構築しました。この技術は、頭頸部の腫瘍の境界を最大 91% の精度で予測でき、これは従来の蛍光イメージング技術よりも大幅に優れています。腫瘍の早期検出に焦点を当てた別の人工知能システムでは、Uthoff et al.8 が蛍光イメージング技術と人工知能を組み合わせて、口腔腫瘍の早期予測デバイスを開発しました。口腔内組織の自然画像と蛍光イメージング画像を収集し、AI と組み合わせることで、最大 80% の予測精度で早期がん患者をより迅速かつ簡単に特定できます。口腔学の分野では、日本人学者の平岩ら9が、人工知能モデルで下顎第一大臼歯760本の画像データを使用し、二重遠位歯根の存在を86.9%の精度で予測した。さらに、歯周病変状態の予測、腫瘍リンパ節転移予測、審美的修復における補助測色などにおける人工知能の応用に関する広範な研究も行われています。

人工知能とビッグデータを組み合わせることで、研究者は集団レベルの臨床データから現実世界のスナップショットを提供できるようになります。さらに、強力なデータネットワーク接続として、これまで関連性がなかった異なる分野間で分離されたデータセットがビッグデータと統合され、生物学的症状の発見、研究の進歩、および疾患の臨床的関連性の新たな可能性が提供されます10。

現在、最も広く使用されている顎の等級付けは、1985 年に Lekholm と Zarb によって提案され、緻密骨と海綿骨の割合に応じて 4 つのカテゴリーに分類されます。しかし、この分類方法は十分に正確ではなく、それはタイプ II の骨とタイプ III の骨を区別することが難しいことを反映しています11。また、この分類法は顎ブロック全体の分類に基づく骨質の分類に限定されており、顎の局所やその他特定部位の骨の状態を反映したものではありません。

2018 年に Asama et al.12 は、緻密骨と海綿骨の考えられるすべての組み合わせを考慮した、改訂された L&Z (Lekholm and Zarb) 分類を提案しました。緻密骨と海綿骨は高い再現性で明確に区別できますが、移植手順を直接導くには十分ではありません。

1994 年、Klemetti et al.13 は、口腔表面スライスの下顎の下縁の X 線形態に基づいて、下顎を 3 つのカテゴリーに分類しました。 Cl、皮質の骨内膜縁は両側で均一で鋭い。 C2、骨内膜縁は半月状欠陥（ラクナ吸収）を示すか、片側または両側に骨内膜皮質残留物（1～3層）を形成しているようです。およびC3、皮質層は重い骨内膜皮質残留物を形成し、明らかに多孔質でした。大規模なデータセットの統計的研究により、骨のミネラル密度と下顎皮質の変化との間に正の相関関係があることが実証されました。しかし、パノラマ画像から得られる情報は、骨粗鬆症のリスクを明確に診断するには少なすぎます。

その後、Nicolielo ら 14 は、コンピュータベースの自動骨分類法を開発しました。 CBCTによって得られた骨梁パラメータに従って、すべての骨領域が3つの骨梁パターンクラス(疎、中間、密)に分類され、形態計測パラメータを使用して骨梁パターンが自動的に分類されました。この方法は、再テストの一貫性と信頼性が高くなります。ただし、提案された分類は比較的一般的であり、移植前に人為的な追跡分析が必要です。

学者の中には、穴あけプロセス中の手の感触に従って顎を分類する人もいます。 Greenstein et al.15 は、2 mm ツイストドリルからの触覚フィードバックに基づいてジョーを 4 つのタイプに分類しました。D1 はオークまたはカエデに穴あけするような感触、D2 は松やトウヒに穴あけするような感触、D3 はバルサ材に穴あけするような感触、そしてD4は発泡スチロールに穴を開けるような感じです。この方法により、ドリリング時の感覚に合わせてその後の埋入操作をガイドすることができます。しかし、ほとんどの臨床医は異なる質感の木材に穴をあけた経験がなく、かなりの手術経験は感触に頼って得られるため、手の感触の分類は広く受け入れられていません。

従来の顎の分類は、顎のさまざまな領域のさまざまな骨のタイプに焦点を当てており、同じ領域内のさまざまな位置の分析が依然として不足しています。新しい顎骨分類は、術前診断評価と術中の意思決定をカバーし、移植における意思決定の難しさを軽減することで、このギャップをある程度埋めることができます。

新しい分類では、CBCT の HU 値に応じて顎骨密度を高から低 (タイプ 1 ～ 5) に分類します。タイプ 1 の骨は最も密度が高く、このような場合にはインプラント部位の血液供給とインプラント準備中の冷却に注意を払う必要があることが示唆されています。タイプ 5 の骨は最も緩んでいます。これは、インプラントの初期安定性と、このタイプの骨におけるインプラントのオッセオインテグレーション失敗の可能性に注意を払う必要があることを示しています。

ここで概要を説明する新しい分類システムは、臨床移植の決定をガイドするために設計された人工知能分類システムです。モデルの深層学習には人工知能が使用され、分類の精度が向上します。この技術は、口腔インプラント学の分野における精密医療の応用を示す高い可能性を秘めています。精密医療の基礎は当然ながら、機械的に情報に基づいた分類法に基づいて正確な診断を行う能力であり、結果の一貫性は機械分類を使用して保証できます16。人工知能分析が顎の骨の品質分類を決定した後、合理的なインプラントプロセス計画を直接提案できるため、臨床手術の精度が向上します。

この新しい分類は、インプラント手術のためのより洗練されたソリューションを提供します。臨床現場では、インプラント部位で顎-歯肉、近遠心、頬側-舌側の方向で顎の骨密度に差が生じることがよくあります。したがって、ドリル針は、術前の設計位置から、骨粗鬆症の少ない部分および鉛直上向きの水平方向に容易に逸脱する可能性がある。これは多くの場合、骨量の突然の減少、または骨密度の増加によるドリルヘッドの温度の急激な上昇によって引き起こされる偶発的な穿孔が原因であり、結果としてオッセオインテグレーションに影響を及ぼします。従来の分類モデルでは、外科医に顎骨の異なる密度の特定の分布位置を提供することができず、外科医が移植プロセス中に判断を誤る可能性があります。ただし、新しい顎の分類では、顎の緩い部位または密集した部位を明確に識別できます。従来の画像データの測定および分析と組み合わせることで、医師が術前の意思決定および術中の穴の準備のプロセスで穴あけ速度と穴あけツールの選択を調整できるようになります。たとえば、コンピュータガイドによるインプラント手術 (インプラントナビゲーション手術/テンプレートガイドによるインプラント手術) の応用では、この技術を使用して顎の骨のさまざまな領域の密度を示すことができ、これを使用して最適な 3 つのインプラント手術をガイドすることができます。インプラントの寸法上の位置。

この方法の限界に関して、新しい分類方法には、その実際的な実現可能性を確認するための臨床前向き研究が不足しています。したがって、インプラントの初期安定性と空洞に対する抵抗性の間の相関関係を評価するには、新しいタイプの顎骨分類を使用する必要があります。したがって、人口のさまざまな地域のさまざまな顎の骨のタイプや顎の骨のタイプの疫学的特徴を調査するための人工知能ビッグデータの使用を含む、さらなる研究が必要です。

現在の研究中に分析されたデータセットは、合理的な要求に応じて責任著者から入手できます。

リー、J.ら。骨の質、インプラントのオッセオインテグレーション、および Wnt シグナル伝達の間の関係。 J.デント。解像度 96(7)、822–831。 https://doi.org/10.1177/0022034517700131 (2017)。

論文 CAS PubMed PubMed Central Google Scholar

U. Lekholm & GA 患者の選択と準備 (Quintessence、1985)。

Google スカラー

Zhou, Z.、Siddiquee, MMR、Tajbakhsh, N. & Liang, J. Unet++: 医療画像セグメンテーションのためのネストされた u-net アーキテクチャ。医用画像解析におけるディープラーニングと臨床意思決定支援のためのマルチモーダル学習において 3-11. スプリンガー。 https://doi.org/10.1007/978-3-030-00889-5_1 (2018)。

Ronneberger, O.、Fischer, P.、Brox, T. U-net: 生物医学画像セグメンテーションのための畳み込みネットワーク。医用画像コンピューティングとコンピュータ支援介入に関する国際会議 234–241。スプリンガー。 https://doi.org/10.1007/978-3-319-24574-4_28 (2015)。

Lin、TY、Goyal、P.、Girshick、R.、He、K.、および Dollar、P. 密集した物体検出の焦点損失。手順 IEEE国際会議計算します。ヴィス。 https://doi.org/10.1109/TPAMI.2018.2858826 (2017)。

記事 Google Scholar

ミシガン州ジョーダン & TM ミッチェル機械学習: トレンド、展望、展望。サイエンス 349(6245)、255–260。 https://doi.org/10.1126/science.aaa8415 (2015)。

論文 ADS MathSciNet CAS PubMed MATH Google Scholar

Lu、G.ら。定量的ハイパースペクトルイメージングを使用した頭頸部がんの手術標本の検出。 Clin Cancer Res 23(18)、5426–5436。 https://doi.org/10.1158/1078-0432.CCR-17-0906 (2017)。

論文 CAS PubMed PubMed Central Google Scholar

Uthoff、RD et al. リソースの少ない地域向けのニューラルネットワーク分類機能を備えた、スマートフォンベースのデュアルモダリティ、デュアルビューの口腔がんスクリーニングデバイスです。 PLoS ONE 13(12)、e0207493。 https://doi.org/10.1371/journal.pone.0207493 (2018)。

記事 PubMed PubMed Central Google Scholar

平岩哲ほかパノラマ X 線写真上で下顎第一大臼歯の歯根の形態を評価するための深層学習人工知能システム。デントマキシロファク。ラジオル。 48(3)、20180218。https://doi.org/10.1259/dmfr.20180218 (2019)。

論文 PubMed Google Scholar

Kee、YN、Ing、WK ヘルスケア提供のためのビッグデータと機械学習アルゴリズム。ランセット・オンコル。 20(6)、293。 https://doi.org/10.1016/S1470-2045(19)30149-4 (2019)。

記事 Google Scholar

Shahlaie, M.、Gantes, B.、Schulz, E.、Riggs, M. & Crigger, M. 歯科インプラント部位の骨密度評価: 1. 定量的コンピューター断層撮影。内部。 J. Oral Maxillofac. インプラント 18(2)、224–231。 https://doi.org/10.1007/s00384-002-0456-x (2003)。

論文 PubMed Google Scholar

Al-Ekrish, AA、Widmann, G. & Alfadda, SA 改訂された、コンピューター断層撮影に基づいた Lekholm および Zarb の顎骨の品質分類。内部。 J. プロストドント。 31(4)、342–345。 https://doi.org/10.11607/ijp.5714 (2018)。

論文 PubMed Google Scholar

Klemetti, E.、Kolmakov, S.、Kröger, H. 骨粗鬆症リスクグループの評価におけるパントモグラフィー。スキャン。 J.デント。解像度 102(1)、68–72。 https://doi.org/10.1111/j.1600-0722.1994.tb01156.x (1994)。

論文 CAS PubMed Google Scholar

Nicolielo, LFP、Van, DJ、van Lenthe, GH、Lambrichts, I. & Jacobs, R. コンピュータベースの骨梁パターンの自動分類は、歯科インプラント部位での X 線撮影による骨品質評価に役立ちます。 Br. Ｊ．Ｒａｄｉｏｌ． https://doi.org/10.1259/bjr.20180437 (2018)。

記事 PubMed PubMed Central Google Scholar

Greenstein, G.、Cavallaro, J.、Greenstein, B.、Tarnow, D. 2 mm ツイストドリルを使用したインプラント歯科の治療計画。補償する。コンティン。教育する。凹み。 31(2)、126–128 (2010) (130、132 パシム; クイズ 137–138)。

PubMed Google Scholar

Divaris, K. 精密医療の基礎。補償する。コンティン。教育する。凹み。 38(8 Suppl)、30–32 (2017)。

PubMed PubMed Central Google Scholar

リファレンスをダウンロードする

この研究は、福建省健康家族計画委員会の医療イノベーションプログラム（番号2021CXA035）および福州主要科学技術「リストの公開と指揮」プロジェクト（2021-ZD-286）によって支援されました。この原稿の作成中に言語面での支援をしていただいた LetPub (www.letpub.com) に感謝します。

これらの著者、Yanjun Xiao と Qihui Liang も同様に貢献しました。

福建省口腔疾患重点研究室および福建省工学研究センター口腔生体材料および口腔科学の福建大学および福建医科大学口腔科の主要研究室、福建医科大学、福州市、中国

ヤンジュン・シャオ

Newland Digital Technology Co., Ltd.、中国福建省福州市

Qihui Liang、Xuezhi He、Lin Lin

福建省口腔生体材料工学研究センター、福建医科大学口腔科病院、福州市、中国福建省

リン・ジョウ

中国福建省福州市の福建医科大学口腔病学研究所および歯科・頭蓋顔面インプラント研究センター

Lingfeng Lv、Guo Jianbin、Dong Wu

中国福建省福州市、福建医科大学口腔科学学校および病院の福建大学口腔科学重点研究室

ジャン・チェン

福建医科大学口腔疾患重点研究所、福建医科大学口腔病学院、福州市、中国福建省

スー・エンディアン

中国福建省福州市、福建医科大学口腔科学学校および病院歯科および頭蓋顔面インプラント研究センター

東武

PubMed Google Scholar でこの著者を検索することもできます

YX は、構想/設計、記事の重要な改訂、および記事の承認に貢献しました。 QL は、コンセプト/デザイン、日付収集、記事の草稿に貢献しました。 LZ は日付の収集、記事の重要な改訂、および記事の承認に貢献しました。 XH はモデルの作成と記事のコンセプト/デザインに貢献しました。 LL は、実験の実行、データの収集、記事のデザインに貢献しました。 JC は、構想/設計、および記事の重要な改訂と承認に貢献しました。 SE は記事の構想/設計/承認に貢献しました。 GJ は分析と原稿の準備に大きく貢献しました。 DW は分析と原稿の準備に大きく貢献しました。 LL は、建設的な議論を通じて分析の実行を支援しました。すべての著者が原稿の以前のバージョンにコメントしました。著者全員が最終原稿を読んで承認しました。

Dong Wu または Lin Lin への対応。

著者らは競合する利害関係を宣言していません。

シュプリンガーネイチャーは、発行された地図および所属機関における管轄権の主張に関して中立を保ちます。

オープンアクセスこの記事はクリエイティブコモンズ表示 4.0 国際ライセンスに基づいてライセンスされており、元の著者と情報源に適切なクレジットを表示する限り、あらゆる媒体または形式での使用、共有、翻案、配布、複製が許可されます。クリエイティブコモンズライセンスへのリンクを提供し、変更が加えられたかどうかを示します。この記事内の画像またはその他のサードパーティ素材は、素材のクレジットラインに別段の記載がない限り、記事のクリエイティブコモンズライセンスに含まれています。素材が記事のクリエイティブコモンズライセンスに含まれておらず、意図した使用が法的規制で許可されていない場合、または許可されている使用を超えている場合は、著作権所有者から直接許可を得る必要があります。このライセンスのコピーを表示するには、http://creativecommons.org/licenses/by/4.0/ にアクセスしてください。

転載と許可

Xiao、Y.、Liang、Q.、Zhou、L. 他。コーンビームCTを用いたディープラーニングに基づく新たな顎骨密度レベル自動グレーディングシステムを構築。 Sci Rep 12、12841 (2022)。 https://doi.org/10.1038/s41598-022-16074-w

引用をダウンロード

受信日: 2022 年 3 月 29 日

受理日: 2022 年 7 月 4 日

公開日: 2022 年 7 月 27 日

DOI: https://doi.org/10.1038/s41598-022-16074-w

次のリンクを共有すると、誰でもこのコンテンツを読むことができます。

申し訳ございませんが、現在この記事の共有リンクは利用できません。

Springer Nature SharedIt コンテンツ共有イニシアチブによって提供

科学レポート (2023)

コメントを送信すると、利用規約とコミュニティガイドラインに従うことに同意したことになります。虐待的なもの、または当社の規約やガイドラインに準拠していないものを見つけた場合は、不適切としてフラグを立ててください。

ブログ

コーンビームCTを用いたディープラーニングに基づく新たな顎骨密度レベル自動グレーディングシステムの構築