基于深度学习与CBCT的上颌骨三维解剖标志点自动识别及不同年龄与骨性Ⅰ/Ⅱ类形态学差异分析OA
Automatic identification of three-dimensional maxillary anatomical landmarks and morphological analysis based on deep learning using CBCT
目的:基于深度学习实现 CBCT 上颌骨三维解剖标志点的自动识别与测量,并分析不同年龄及骨性Ⅰ、Ⅱ类患者的形态差异.方法:收集 2019～2024 年 1321 例 CBCT 数据,构建基于 PoseNet-3D 的自动定位系统,对18 个标志点及 5 个测量点进行识别,并与人工结果比较时间与误差;分组进行形态学统计分析.结果:自动定点耗时10～15 s,显著快于人工;平均误差 0.82 mm,一致性良好.误差均在临床可接受范围(<2 mm).部分年龄组及骨性分组间标志点距离差异有统计学意义.结论:该方法精度高、效率高,可用于上颌骨三维分析并支持正畸数字化诊疗.
Objective:To develop a deep learning method for automatic 3D maxillary landmark identification on CBCT and analyze differences across age groups and skeletal Class Ⅰ and Ⅱ.Methods:Totally 1321 CBCT datasets(2019～2024)were used.A PoseNet-3D based model identified 18 landmarks and 5 midfacial points.Performance was assessed by comparing time and error with manual annotation.Patients were grouped by age and skeletal class.Results:Maxillary land-mark identification took 10～15 s,that faster than manual.Mean error was 0.82 mm with good consistency.The errors were all within the clinically acceptable range(<2 mm).Significant differences existed in some landmark distances among age groups and skeletal classes.Conclusion:The method is accurate and efficient,enabling reliable 3D maxillary analysis and supporting digital orthodontic diagnosis and treatment.
尹楠;孙梦媛;宋千卉;温泽惠;徐建光
安徽医科大学口腔医学院,安徽医科大学附属口腔医院,安徽省口腔疾病研究重点实验室 安徽 合肥 230032安徽医科大学口腔医学院,安徽医科大学附属口腔医院,安徽省口腔疾病研究重点实验室 安徽 合肥 230032安徽医科大学口腔医学院,安徽医科大学附属口腔医院,安徽省口腔疾病研究重点实验室 安徽 合肥 230032安徽医科大学口腔医学院,安徽医科大学附属口腔医院,安徽省口腔疾病研究重点实验室 安徽 合肥 230032安徽医科大学口腔医学院,安徽医科大学附属口腔医院,安徽省口腔疾病研究重点实验室 安徽 合肥 230032
医药卫生
深度学习CBCT上颌骨标志点自动识别三维形态分析
Deep learningCBCTMaxillaAutomatic landmark identificationThree-dimensional morphological a-nalysis
《临床口腔医学杂志》 2026 (6)
337-341,5
安徽省自然科学基金面上基金项目(2408085MH221)
评论