Diagnostics：人工智能对CBCT口腔成像中金属伪影的影响

锥形束计算机断层扫描(CBCT)自2000年代开始广泛商业化以来，已成为牙科成像的宝贵工具，可提供口腔的高分辨率三维表示。它允许精确的、亚毫米级的评估，在牙髓学、种植体手术计划和头测术中特别有用。然而，金属牙齿物体的存在，如汞合金填充物、牙冠、正畸器具、牙根填充物和种植体，往往会导致不同外观和程度的明显图像伪影，使准确的诊断和治疗计划复杂化。

CBCT伪影是由数学模型和实际成像过程之间的差异产生的。光束硬化是CBCT中最显著的金属诱发伪影，也是导致整个CBCT检查图像质量下降的主要因素之一。靠近牙齿异物，光束硬化和噪声会导致过度的灰度值变化，模糊关键解剖结构，影响诊断准确性。图像噪声表现为信号中的干扰，在低对比度下会降低分辨率，严重影响CBCT图像的质量。此外，噪声和散射是影响新伪影产生的重要因素。

传统的金属伪影还原方法包括人工校正或后处理技术-金属伪影还原(MAR)算法。第一种MAR技术包括投影数据的绘制，这是在20世纪80年代末引入的。更新、更复杂的MAR解决方案组是迭代重建(IR)算法，它已被证明在许多应用中是有效的，包括CBCT。最近，卷积神经网络(cnn)已被探索作为减少金属伪影的潜在解决方案。初步研究已经显示了它们在CT和CBCT中减少伪影的有效性。

最近，人工智能(AI)在牙科领域引起了极大的兴趣，特别是在正畸学和牙颌面成像方面。近年来，基于深度学习的图像重建算法(dlr)得到了发展，可以有效地降低图像的多余噪声。人工智能基于改进的u -net型卷积神经网络(CNN)模型，已经被证明可以降低图像噪声并提供高诊断准确率。ClariCT。人工智能已经被证明能够在提供高达70%的剂量减少的同时保持图像质量。假设，这种人工智能去噪工具也可以通过减少与金属伪影相关的额外噪声来积极影响CBCT图像的质量参数。据我们所知，目前还没有研究分析DLM在牙科CBCT中的应用，以及对金属伪影还原图像质量参数的客观和主观评价。本研究的目的是评估人工智能驱动的降噪算法对口腔CBCT图像中金属伪影和图像质量参数的影响。

材料和方法:本回顾性研究纳入70例患者，其中61例患者在排除严重运动假影后进行分析。使用Hyperion X9 PRO 13×10 CBCT机进行CBCT扫描，包括牙种植体、汞合金填充物、正畸器具、根管填充物和牙冠的图像。使用ClariCT对图像进行处理。人工智能深度学习降噪模型(DLM)。使用体素值(∆VVs)、伪影指数(AIx)和噪声对比比(CNR)等指标评估客观图像质量。主观评估由两位经验丰富的读者执行，他们在预定义的尺度上对整体图像质量和伪影强度进行评级。

研究设计

在工件评估中充分定位ROI

伪影强度四分制:(A) -无/无，(B) -弱，(C) -中等，(D) -强。

两种重建类型的比较:(A,B)种植体引起的假影，(C,D)根管填充物引起的假影，(E,F)冠引起的假影，(G,H)正畸矫治器引起的假影，(I,J)汞合金填充物引起的假影。(A, C, E, G, 1)本机,(B、D、F、H、J) dlm。

总结了主观图像质量评价的结果

主观图像质量参数的内部一致性

主观图像质量参数的一致意见

结果:与原始图像相比，DLM重建显著降低了AIx，提高了CNR (p < 0.001)，表明图像清晰度提高，伪影减少。主观评价也支持DLM图像，具有更高的总体图像质量和更低的伪影强度(p < 0.001)。而原生图像与DLM图像的∆VV值相近，说明DLM在降低噪声的同时，保持了整体密度分布。正畸矫治器产生的伪影最明显，而种植体产生的伪影最少。

结论:基于人工智能的ClariCT降噪。人工智能通过降低噪声和金属伪影显著提高CBCT图像质量，从而提高诊断准确性和治疗计划。建议采用更大的多中心队列进行进一步研究以验证这些发现。

原始出处： 

Róża, Wajer;  Adrian, Wajer;  Natalia, Kazimierczak;The Impact of AI on Metal Artifacts in CBCT Oral Cavity Imaging.Diagnostics (Basel) 2024 Jun 17;14(12)