Construction d'un nouveau système de classement automatique du niveau de densité minérale osseuse de la mâchoire basé sur l'apprentissage en profondeur à l'aide de la tomodensitométrie à faisceau conique

Rapports scientifiques volume 12, Numéro d'article : 12841 (2022) Citer cet article

1295 accès

1 Citations

4 Altmétrique

Détails des métriques

Développer et vérifier une méthode de classification automatique utilisant l'apprentissage en profondeur de l'intelligence artificielle pour déterminer le niveau de densité minérale osseuse du site d'implantation en chirurgie d'implant buccal à partir de données radiographiques obtenues à partir d'images de tomographie par ordinateur à faisceau conique (CBCT). Soixante-dix patients présentant des défauts de dentition mandibulaire ont été scannés à l'aide du CBCT. Ces données d'imagerie numérique et de communications en médecine ont été découpées en 605 ensembles d'apprentissage, puis les données ont été traitées avec la normalisation des données, et le niveau de valeur de l'unité Hounsfiled (HU) a été déterminé comme suit : Type 1, 1000–2000 ; type 2, 700–1000 ; type 3, 400–700 ; type 4, 100–400 ; et type 5, − 200–100. Quatre médecins spécialistes des implants dentaires ont identifié et classé manuellement la zone du niveau de densité osseuse de la mâchoire dans l'image à l'aide du logiciel LabelMe. Puis, avec l'aide de la valeur HU générée par LabelMe, un médecin avec 20 ans d'expérience clinique a confirmé le niveau d'étiquetage. Enfin, les valeurs moyennes HU de différentes catégories marquées par les médecins implanteurs dentaires ont été comparées aux valeurs moyennes détectées par le modèle d'intelligence artificielle pour évaluer l'exactitude de la classification de l'intelligence artificielle. Une fois le modèle formé sur 605 ensembles d'apprentissage, les résultats statistiques des valeurs moyennes HU de diverses catégories dans l'ensemble de données détecté par le modèle étaient presque les mêmes que l'intervalle de classement HU sur l'annotation des données. Cette nouvelle classification fournit une solution plus détaillée pour guider les chirurgiens afin d'ajuster la vitesse de forage et la sélection d'outils lors de la prise de décision préopératoire et de la préparation peropératoire du trou pour la chirurgie d'implant buccal.

Cliniquement, il n'y a pas de consensus clair sur la définition de la qualité osseuse, mais en général, elle couvre de nombreux aspects tels que le degré de minéralisation osseuse et la forme et le type de la travée osseuse. Actuellement, la classification de qualité des os de la mâchoire la plus largement utilisée est la classification des quatre types de mâchoire proposée par Lekholm et Zarb en 19851, dans laquelle les os de la mâchoire sont divisés en quatre types selon la quantité d'os cortical et d'os spongieux dans les images radiologiques de la mâchoire2 : l'os de type I est considéré comme le moins vasculaire et le plus homogène, le type II est une combinaison d'os cortical avec une cavité médullaire, le type III est principalement composé d'os trabéculaire et le type IV est décrit comme ayant une très cortex fin et trabécules de faible densité. Cependant, la méthode de classement existante est limitée au classement de la qualité osseuse. Ceci est un inconvénient dans le cadre de la chirurgie implantaire, où il est courant d'observer des os de densités différentes dans une même zone. Ainsi, l'utilisation de ce système de classification seul peut entraîner un décalage du site implantaire ou la perte de torsion lors de la pose de l'implant. Nous pensons que l'objectif ultime de la classification osseuse en chirurgie implantaire orale est de guider une compréhension plus complète de la zone du site implantaire, afin d'aider le chirurgien à décider de la taille de la préparation de la cavité et du choix du diamètre de l'implant pendant la chirurgie implantaire. De plus, un système de classification osseuse amélioré contribuera à améliorer la stabilité initiale de l'implant et la résistance au forage pendant l'opération.

Dans cette étude, une méthode d'intelligence artificielle d'apprentissage en profondeur a été adoptée pour déterminer les types de densité osseuse à différents endroits des sites d'implantation à partir des données radiologiques obtenues à partir d'images de tomographie par ordinateur à faisceau conique (CBCT), afin de fournir une plage de classification plus détaillée de la densité osseuse. Cette méthode peut également améliorer la précision du jugement du degré de densité minérale osseuse et réduire la possibilité d'erreurs dans le jugement subjectif individuel. Sur la base de cette méthode, une méthode de classification automatique a été développée et vérifiée, et une nouvelle norme de classification de l'os de la mâchoire a été proposée. L'os de la mâchoire est divisé en cinq types, le type 1 étant le plus dense et le type 5 étant le plus lâche. La gamme de types d'os est automatiquement calibrée grâce à l'utilisation d'un système d'intelligence artificielle Big Data pour mieux guider les cliniciens dans les opérations de chirurgie implantaire.

Étiquetage et traitement des données : Soixante-dix patients présentant des anomalies de la dentition mandibulaire qui ont été traités à l'hôpital dentaire affilié de l'Université médicale du Fujian de mars 2020 à septembre 2020 ont été sélectionnés et scannés avec CBCT (KAVO i-CAT). Les 70 données DICOM ont été extraites et importées dans le programme de prétraitement pour la coupe verticale de l'arc sagittal, avec environ 10 pièces coupées par jeu de données, et ont finalement obtenu 605 jeux de formation. Les types reconnus d'os de la mâchoire, selon les valeurs HU, étaient les suivants : Type 1, 1000–2000 ; type 2, 700–1000 ; type 3, 400–700 ; type 4, 100–400 ; et type 5, − 200–100. La normalisation des données a été réalisée en premier. Par expérience, les valeurs HU qui se situaient dans la plage de −200 à 2000 ont été extraites. Celles supérieures à la valeur maximale ont été définies comme valeur maximale et celles inférieures à la valeur minimale ont été définies comme valeur minimale. Pour faciliter l'étiquetage, le mappage de données DICOM a été converti au format PNG et importé dans l'outil d'annotation d'images graphiques LabelMe 4.5.6. Quatre médecins implantaires dentaires formés ont combiné les valeurs HU des tranches pour identifier et étiqueter manuellement la zone du niveau de densité osseuse de la mâchoire dans l'image (Fig. 1). Ensuite, un médecin avec 20 ans d'expérience clinique a confirmé le niveau d'étiquetage en utilisant la valeur HU du logiciel LabelMe comme guide. La sélection aléatoire des images a été répétée cinq fois pour confirmer que les classifications étaient correctes. De plus, chaque évaluateur a été comparé à la classification standard de référence pour évaluer l'efficacité de la classification subjective. Les ensembles de données ont été divisés en ensembles d'apprentissage et en ensembles de test selon un rapport de 9:1.

Construction du modèle : dans la présente étude, nous avons choisi Nested-UNet3 comme colonne vertébrale pour extraire et fusionner des informations multi-échelles afin de déterminer les résultats de segmentation sémantique correspondants. UNet imbriqué implique l'empilement de différents niveaux de UNet4, dans lesquels l'ajout de jointures courtes denses (échantillonnage supérieur et inférieur) permet d'obtenir une meilleure combinaison de caractéristiques de profondeur et de faible profondeur et de meilleures performances d'extraction de caractéristiques que UNet (Fig. 2).

Image d'annotation de la densité osseuse.

Modèle de structure de UNet et Nested-UNet.

Basé sur Nested U-net, nous avons optimisé la perte correspondante en utilisant le "Pixel-Level" de "FocalLoss"5 (1) et le Class-Level de perte Diceloss (2), puis deux pertes selon un certain poids (3) la perte totale résultant de la fonction pondérée. L'utilisation de Diceloss seul réduira la stabilité de l'entraînement. L'ajout de FocalLoss peut résoudre le déséquilibre des échantillons positifs et négatifs et accélérer la convergence. L'optimisation à travers deux dimensions différentes de la perte peut également aider le modèle à mieux comprendre la tâche.

Dans l'éq. 1, y représente l'étiquette et y' représente les résultats de prédiction. Le facteur d'équilibre \(\alpha\) est utilisé pour équilibrer le rapport inégal des échantillons positifs et négatifs. Le coefficient \(\gamma\) peut réduire la perte d'échantillons faciles à diviser. Concentrez-vous sur les échantillons difficiles.

A et B représentent respectivement le résultat prédit et Ground Truth (GT). \(\left| {A \cap B} \right|\) est l'intersection de AB, et \(\left| A \right|\left| B \right|\) représente le nombre d'éléments de A et B, respectivement.

De plus, nous avons optimisé le module d'amélioration des données et effectué des opérations telles que la rotation aléatoire et la mise à l'échelle des données pour améliorer la robustesse du modèle. Enfin, les résultats de la segmentation ont été traités par les domaines connectés correspondants pour obtenir les résultats finaux de la segmentation.

Cette étude a été réalisée conformément aux principes de la Déclaration d'Helsinki. L'approbation a été accordée par le comité d'éthique de la recherche biomédicale de l'hôpital stomatologique affilié de l'université médicale du Fujian (date 8.9.2021/n°60).

Le consentement éclairé a été obtenu de tous les participants individuels inclus dans l'étude.

Une fois le modèle entraîné sur 605 ensembles d'apprentissage, la moyenne des dés de chaque catégorie sur 68 ensembles de test pouvait atteindre un maximum de 0,75.

Les 68 ensembles de tests ont été comptés et les résultats statistiques de la moyenne HU étiquetée par les médecins et de la moyenne HU détectée par le modèle sont présentés dans le tableau 1. On peut voir que la moyenne HU de toutes les catégories dans les résultats des tests de réseau neuronal est presque le même que l'intervalle de classement HU étiqueté par les médecins.

Les résultats de l'analyse et de la comparaison entre l'écart type de la valeur HU étiquetée par les médecins et l'écart type prédit par le modèle sont présentés dans le tableau 2. On peut voir que lorsque le modèle a prédit chaque catégorie, l'écart type de la valeur HU dans cette catégorie était cohérent avec l'écart type de la catégorie étiquetée par les médecins. Cela indique que le modèle a appris que la valeur HU de chaque niveau de densité minérale osseuse doit fluctuer dans une certaine plage sans déviation excessive.

L'effet de reconnaissance est illustré à la Fig. 3 (les types 1 à 5 sont représentés respectivement par le rouge, le jaune, le vert, le bleu et le violet).

Coupe de densité minérale osseuse et sa carte d'effet d'identification. De gauche à droite, l'image originale, l'étiquette du médecin et la carte des effets d'identification du modèle.

Au sein de l'intelligence artificielle (IA), l'apprentissage automatique est devenu la méthode de choix pour développer des logiciels pratiques pour la vision par ordinateur, la reconnaissance vocale, le traitement du langage naturel, le contrôle de robots et d'autres applications6. Comme les décisions sont prises sur la base de la combinaison du traitement informatique des données et des algorithmes, l'IA peut améliorer la précision et réduire le risque d'erreurs par rapport aux humains dans la même situation. De plus, contrairement aux êtres humains, les machines ne sont pas affectées par des facteurs subjectifs tels que les facteurs émotionnels, l'état mental et l'expérience personnelle, de sorte que l'efficacité des machines face aux problèmes est grandement améliorée, ce qui permet de prendre rapidement les bonnes décisions. La combinaison de l'IA, comme dans le cadre des procédures de diagnostic et de traitement, peut réduire considérablement le risque d'erreur de diagnostic.

L'intelligence artificielle a été largement étudiée dans le domaine de la dentisterie. En effet, Lu et al.7 ont analysé des échantillons de 36 patients atteints de tumeurs de la tête et du cou à l'aide de l'apprentissage en profondeur de l'intelligence artificielle et ont construit un modèle d'intelligence artificielle à l'aide de la technologie d'imagerie hyperspectrale. Cette technologie peut prédire la limite des tumeurs de la tête et du cou avec une précision allant jusqu'à 91 %, ce qui est nettement meilleur que la technologie d'imagerie par fluorescence traditionnelle. Dans un autre système d'intelligence artificielle axé sur la détection précoce des tumeurs, Uthoff et al.8 ont combiné la technologie d'imagerie par fluorescence avec l'intelligence artificielle pour développer un dispositif de prédiction précoce des tumeurs buccales. En collectant des images naturelles et des images d'imagerie par fluorescence de tissus intra-oraux, combinées à l'IA, les patients atteints d'un cancer précoce peuvent être identifiés plus rapidement et plus facilement, avec une précision de prédiction pouvant atteindre 80 %. Dans le domaine de la stomatologie, le chercheur japonais Hiraiwa et al.9 a utilisé les données d'imagerie de 760 premières molaires mandibulaires dans un modèle d'intelligence artificielle pour prédire la présence de doubles racines distales avec une précision de 86,9 %. En outre, il existe également des études approfondies sur l'application de l'intelligence artificielle dans la prédiction de l'état des lésions parodontales, la prédiction des métastases des ganglions lymphatiques tumoraux et la colorimétrie auxiliaire dans la réparation esthétique.

L'utilisation de l'intelligence artificielle combinée aux mégadonnées permet aux chercheurs de fournir un instantané du monde réel à partir de données cliniques au niveau de la population. De plus, en tant que puissante connexion au réseau de données, des ensembles de données isolés auparavant sans rapport entre différents domaines sont intégrés aux mégadonnées pour offrir de nouvelles possibilités pour la découverte de manifestations biologiques, les progrès de la recherche et les associations cliniques de maladies10.

À l'heure actuelle, le classement de la mâchoire le plus utilisé a été proposé par Lekholm et Zarb en 19851, dans lequel le classement est divisé en quatre catégories selon la proportion d'os compact et d'os spongieux. Cependant, cette méthode de classification n'est pas suffisamment précise, ce qui se traduit par la difficulté à distinguer l'os de type II de l'os de type III11. De plus, cette méthode de classification est limitée à la classification de la qualité osseuse, qui est basée sur l'ensemble de la classification du bloc maxillaire, et ne reflète pas l'état osseux de la partie locale de la mâchoire ou d'autres sites spécifiques.

En 2018, Asama et al.12 ont proposé une classification révisée L&Z (Lekholm et Zarb), qui tenait compte de toutes les combinaisons possibles d'os compact et d'os spongieux. Bien que l'os compact et l'os spongieux puissent être clairement distingués avec une répétabilité élevée, cela ne suffit pas pour guider directement la procédure d'implantation.

En 1994, Klemetti et al.13 ont divisé la mandibule en trois catégories en fonction de la morphologie radiographique du bord inférieur de la mandibule sur la tranche de surface buccale : Cl, le bord endo-osseux du cortex était régulier et net des deux côtés ; C2, la marge endo-osseuse présentait des défauts semi-lunaires (résorption lacunaire) ou semblait former des résidus corticaux endo-osseux (une à trois couches) sur un ou les deux côtés ; et C3, la couche corticale formait de lourds résidus corticaux endo-osseux et était clairement poreuse. Des études statistiques de grands ensembles de données ont démontré qu'il existe une corrélation positive entre la densité minérale des os et les changements dans le cortex mandibulaire. Pourtant, les images panoramiques fournissent trop peu d'informations pour diagnostiquer définitivement le risque d'ostéoporose.

Plus tard, Nicolielo et al.14 ont développé une méthode informatique de classification automatique des os. Selon les paramètres osseux trabéculaires obtenus par CBCT, toutes les régions osseuses ont été classées en trois classes de motifs trabéculaires (épars, intermédiaire et dense), et des paramètres morphométriques ont été utilisés pour classer automatiquement les motifs trabéculaires. Cette méthode a une cohérence et une fiabilité de retest plus élevées. Cependant, la classification proposée est relativement générale et nécessite une analyse artificielle de suivi avant implantation.

Certains chercheurs classent la mâchoire en fonction de la sensation de la main pendant le processus de forage. Greenstein et al.15 ont divisé les mâchoires en quatre types en fonction du retour tactile du foret hélicoïdal de 2 mm : D1 donne l'impression de percer du chêne ou de l'érable, D2 donne l'impression de percer du pin ou de l'épicéa, D3 donne l'impression de percer du bois de balsa et D4 donne l'impression de percer du polystyrène. Cette méthode permet de guider l'opération d'implantation ultérieure en fonction de la sensation lors du forage. Cependant, étant donné que la plupart des cliniciens n'ont pas l'expérience du perçage du bois avec différentes textures et qu'une expérience chirurgicale considérable est acquise en s'appuyant sur la sensation, la classification de la sensation de la main n'est pas largement acceptée.

La classification traditionnelle de la mâchoire se concentre sur différents types d'os dans différentes régions de la mâchoire, et il reste un manque d'analyse des différentes positions dans la même région. La nouvelle classification des os de la mâchoire peut combler cette lacune dans une certaine mesure en couvrant l'évaluation diagnostique préopératoire et la prise de décision peropératoire pour réduire la difficulté de la prise de décision en matière d'implantation.

La nouvelle classification divise la densité osseuse de la mâchoire de élevée à faible (type 1 à 5) en fonction de la valeur HU du CBCT. Les os de type 1 sont les plus denses, suggérant que dans ces cas, une attention doit être portée à l'apport sanguin au site de l'implant et au refroidissement pendant la préparation de l'implant. Les os de type 5 sont les plus lâches, ce qui indique qu'il faut prêter attention à la stabilité initiale de l'implant et à la possibilité d'échec de l'ostéointégration de l'implant dans ce type d'os.

Le nouveau système de classification décrit ici est un système de classification d'intelligence artificielle qui a été conçu pour guider la décision d'implantation clinique. L'intelligence artificielle est utilisée pour l'apprentissage en profondeur du modèle afin d'améliorer la précision de la classification. Cette technique a un fort potentiel pour mettre en valeur l'application de la médecine de précision dans le domaine de l'implantologie orale. La pierre angulaire de la médecine de précision est naturellement la capacité de poser des diagnostics précis basés sur une taxonomie mécanistiquement informée, et la cohérence des résultats peut être garantie en utilisant la classification automatique16. Une fois que l'analyse de l'intelligence artificielle a déterminé la classification de qualité de l'os de la mâchoire, elle peut directement proposer un plan de processus d'implant raisonnable, ce qui améliore la précision de l'opération clinique.

Cette nouvelle classification offre une solution plus raffinée pour la chirurgie implantaire. Dans la pratique clinique, des différences de densité osseuse de la mâchoire sont souvent rencontrées au niveau des sites d'implantation dans les directions mâchoire-gingivale, mésiodistale et bucco-linguale. Ainsi, l'aiguille de forage peut facilement dévier de la position de conception préopératoire dans la direction horizontale vers la partie la moins ostéoporotique et la partie verticale vers le haut. Ceci est souvent dû à une perforation accidentelle provoquée par une diminution brutale de la masse osseuse ou une forte augmentation de la température de la tête de forage provoquée par l'augmentation de la densité osseuse, ce qui affecte par conséquent l'ostéointégration. Le modèle de classification traditionnel ne peut pas fournir au chirurgien la position de distribution spécifique des différentes densités des mâchoires, ce qui peut amener le chirurgien à se tromper lors du processus d'implantation. Cependant, la nouvelle classification de la mâchoire peut clairement identifier les sites lâches ou denses de la mâchoire. Combiné avec la mesure et l'analyse des données d'imagerie conventionnelles, il peut guider les médecins pour ajuster la vitesse de forage et la sélection des outils de forage dans le processus de prise de décision préopératoire et de préparation du trou peropératoire. Par exemple, dans l'application de la chirurgie implantaire guidée par ordinateur (chirurgie de navigation implantaire/chirurgie implantaire guidée par modèle), la technologie peut être utilisée pour indiquer la densité de différentes zones de l'os de la mâchoire, qui peuvent être utilisées pour guider l'emplacement tridimensionnel optimal de l'implant.

En ce qui concerne les limites de cette méthode, la nouvelle méthode de classification manque d'études cliniques prospectives pour confirmer sa faisabilité pratique. Ainsi, il est nécessaire d'utiliser un nouveau type de classification osseuse de la mâchoire pour évaluer la corrélation entre la stabilité initiale de l'implant et la résistance à la cavité. Par conséquent, des recherches supplémentaires sont nécessaires, y compris l'utilisation de mégadonnées d'intelligence artificielle pour étudier les caractéristiques épidémiologiques des différents types d'os de la mâchoire et des types d'os de la mâchoire dans différentes régions de la population.

Les ensembles de données analysés au cours de l'étude actuelle sont disponibles auprès de l'auteur correspondant sur demande raisonnable.

Li, J. et al. Relations entre la qualité osseuse, l'ostéointégration de l'implant et la signalisation Wnt. J. Dent. Rés. 96(7), 822–831. https://doi.org/10.1177/0022034517700131 (2017).

Article CAS PubMed PubMed Central Google Scholar

Lekholm, U. & Zarb, GA Sélection et préparation des patients (Quintessence, 1985).

Google Scholar

Zhou, Z., Siddiquee, MMR, Tajbakhsh, N. & Liang, J. Unet++ : Une architecture u-net imbriquée pour la segmentation d'images médicales. In Deep Learning in Medical Image Analysis and Multimodal Learning for Clinical Decision Support 3–11. Springer. https://doi.org/10.1007/978-3-030-00889-5_1 (2018).

Ronneberger, O., Fischer, P., Brox, T. U-net : réseaux convolutifs pour la segmentation d'images biomédicales. Dans Conférence internationale sur l'informatique médicale et l'intervention assistée par ordinateur 234–241. Springer. https://doi.org/10.1007/978-3-319-24574-4_28 (2015).

Lin, TY, Goyal, P., Girshick, R., He, K. & Dollar, P. Perte focale pour la détection d'objets denses. Proc. IEEE Int. Conf. Calcul. Vis. https://doi.org/10.1109/TPAMI.2018.2858826 (2017).

Article Google Scholar

Jordan, MI & Mitchell, TM Apprentissage automatique : tendances, perspectives et perspectives. Sciences 349 (6245), 255–260. https://doi.org/10.1126/science.aaa8415 (2015).

Article ADS MathSciNet CAS PubMed MATH Google Scholar

Lu, G. et al. Détection d'échantillons inchirurgicaux de cancer de la tête et du cou à l'aide de l'imagerie hyperspectrale quantitative. Clin Cancer Res 23(18), 5426–5436. https://doi.org/10.1158/1078-0432.CCR-17-0906 (2017).

Article CAS PubMed PubMed Central Google Scholar

Uthoff, RD et al. Dispositif de dépistage du cancer de la bouche au point de service, basé sur un smartphone, à double mode et à double vue, avec classification par réseau neuronal pour les communautés à faibles ressources. PLoS ONE 13(12), e0207493. https://doi.org/10.1371/journal.pone.0207493 (2018).

Article PubMed PubMed Central Google Scholar

Hiraiwa, T. et al. Un système d'intelligence artificielle d'apprentissage en profondeur pour l'évaluation de la morphologie de la racine de la première molaire mandibulaire sur la radiographie panoramique. Dentomaxillofac. Radiol. 48(3), 20180218. https://doi.org/10.1259/dmfr.20180218 (2019).

Article PubMed Google Scholar

Kee, YN & Ing, WK Big data et algorithmes d'apprentissage automatique pour la prestation de soins de santé. Lancette Oncol. 20(6), 293. https://doi.org/10.1016/S1470-2045(19)30149-4 (2019).

Article Google Scholar

Shahlaie, M., Gantes, B., Schulz, E., Riggs, M. & Crigger, M. Évaluations de la densité osseuse des sites d'implants dentaires : 1. Tomographie quantitative par ordinateur. Int. J. Oral Maxillofac. Implants 18(2), 224–231. https://doi.org/10.1007/s00384-002-0456-x (2003).

Article PubMed Google Scholar

Al-Ekrish, AA, Widmann, G. & Alfadda, SA Classification révisée de la qualité des mâchoires de Lekholm et Zarb basée sur la tomodensitométrie. Int. J. Prosthodont. 31(4), 342–345. https://doi.org/10.11607/ijp.5714 (2018).

Article PubMed Google Scholar

Klemetti, E., Kolmakov, S. & Kröger, H. Pantomographie dans l'évaluation du groupe à risque d'ostéoporose. Scannez. J. Dent. Rés. 102(1), 68–72. https://doi.org/10.1111/j.1600-0722.1994.tb01156.x (1994).

Article CAS PubMed Google Scholar

Nicolielo, LFP, Van, DJ, van Lenthe, GH, Lambrichts, I. & Jacobs, R. La classification automatique informatisée du schéma osseux trabéculaire peut faciliter l'évaluation radiographique de la qualité osseuse au site de l'implant dentaire. Br. J. Radiol. https://doi.org/10.1259/bjr.20180437 (2018).

Article PubMed PubMed Central Google Scholar

Greenstein, G., Cavallaro, J., Greenstein, B. et Tarnow, D. Planification du traitement de la dentisterie implantaire avec un foret hélicoïdal de 2 mm. Compend. Continuer. Éduc. Bosse. 31(2), 126–128 (2010) (130, 132 passim ; quiz 137–138).

Google Scholar PubMed

Divaris, K. Principes fondamentaux de la médecine de précision. Compend. Continuer. Éduc. Bosse. 38(8 suppl.), 30–32 (2017).

PubMed PubMed Central Google Scholar

Télécharger les références

Ce travail a été soutenu par le programme d'innovation médicale de la Commission de la santé et de la planification familiale du Fujian (n° 2021CXA035) et le projet majeur de science et technologie de Fuzhou « Révéler la liste et prendre le commandement » (2021-ZD-286). Nous remercions LetPub (www.letpub.com) pour son aide linguistique lors de la préparation de ce manuscrit.

Ces auteurs ont contribué à parts égales : Yanjun Xiao et Qihui Liang.

Fujian Key Laboratory of Oral Diseases et Fujian Provincial Engineering Research Center of Oral Biomaterial and Stomatological Key Lab of Fujian College and University, School and Hospital of Stomatology, Fujian Medical University, Fuzhou, Fujian, Chine

Yanjun Xiao

Newland Digital Technology Co., Ltd., Fuzhou, Fujian, Chine

Qihui Liang, Xuezhi He et Lin Lin

Centre provincial de recherche en ingénierie du Fujian sur les biomatériaux oraux, École et hôpital de stomatologie, Université médicale du Fujian, Fuzhou, Fujian, Chine

Lin Zhou

Institut de stomatologie et centre de recherche sur les implants dentaires et craniofaciaux, École et hôpital de stomatologie, Université médicale du Fujian, Fuzhou, Fujian, Chine

Lingfeng Lv, Guo Jianbin et Dong Wu

Stomatological Key Laboratory of Fujian College and University, School and Hospital of Stomatology, Fujian Medical University, Fuzhou, Fujian, Chine

Jiang Chen

Fujian Key Laboratory of Oral Diseases, Fujian Medical University, School and Hospital of Stomatology, Fujian Medical University, Fuzhou, Fujian, Chine

Su Endian

Centre de recherche sur les implants dentaires et craniofaciaux, École et hôpital de stomatologie, Université médicale du Fujian, Fuzhou, Fujian, Chine

Dongwu

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

YX a contribué à la conception/conception, à la révision critique de l'article et à l'approbation de l'article. QL a contribué à la conception/conception, à la collecte de données, à la rédaction d'article d'article. LZ a contribué à la collecte de données, à la révision critique de l'article et à l'approbation de l'article. XH a contribué à la création de maquettes et à la conception/design de l'article. LL a contribué à la réalisation de l'expérience, à la collecte des dates et à la conception de l'article. JC a contribué à la conception/conception et à la révision critique et à l'approbation de l'article. SE a contribué à la conception/conception/approbation de l'article. GJ a contribué de manière significative à l'analyse et à la préparation du manuscrit. DW a contribué de manière significative à l'analyse et à la préparation du manuscrit. LL a aidé à effectuer l'analyse avec des discussions constructives. Tous les auteurs ont commenté les versions précédentes du manuscrit. Tous les auteurs ont lu et approuvé le manuscrit final.

Correspondance à Dong Wu ou Lin Lin.

Les auteurs ne déclarent aucun intérêt concurrent.

Springer Nature reste neutre en ce qui concerne les revendications juridictionnelles dans les cartes publiées et les affiliations institutionnelles.

Libre accès Cet article est sous licence Creative Commons Attribution 4.0 International, qui autorise l'utilisation, le partage, l'adaptation, la distribution et la reproduction sur tout support ou format, à condition que vous accordiez le crédit approprié à l'auteur ou aux auteurs originaux et à la source, fournissez un lien vers la licence Creative Commons et indiquez si des modifications ont été apportées. Les images ou tout autre matériel de tiers dans cet article sont inclus dans la licence Creative Commons de l'article, sauf indication contraire dans une ligne de crédit au matériel. Si le matériel n'est pas inclus dans la licence Creative Commons de l'article et que votre utilisation prévue n'est pas autorisée par la réglementation légale ou dépasse l'utilisation autorisée, vous devrez obtenir l'autorisation directement du détenteur des droits d'auteur. Pour voir une copie de cette licence, visitez http://creativecommons.org/licenses/by/4.0/.

Réimpressions et autorisations

Xiao, Y., Liang, Q., Zhou, L. et al. Construction d'un nouveau système de gradation automatique du niveau de densité minérale osseuse de la mâchoire basé sur l'apprentissage en profondeur à l'aide de la tomodensitométrie à faisceau conique. Sci Rep 12, 12841 (2022). https://doi.org/10.1038/s41598-022-16074-w

Télécharger la citation

Reçu : 29 mars 2022

Accepté : 04 juillet 2022

Publié: 27 juillet 2022

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

Toute personne avec qui vous partagez le lien suivant pourra lire ce contenu :

Désolé, aucun lien partageable n'est actuellement disponible pour cet article.

Fourni par l'initiative de partage de contenu Springer Nature SharedIt

Rapports scientifiques (2023)

En soumettant un commentaire, vous acceptez de respecter nos conditions d'utilisation et nos directives communautaires. Si vous trouvez quelque chose d'abusif ou qui ne respecte pas nos conditions ou directives, veuillez le signaler comme inapproprié.

Blog

Construction d'un nouveau système de classement automatique du niveau de densité minérale osseuse de la mâchoire basé sur l'apprentissage en profondeur à l'aide de la tomodensitométrie à faisceau conique