基于Swin-Transformer和3D U-Net的深度学习模型：种植体三维位置规划

引言与目的：本研究旨在设计一种基于深度学习的模型，用于自动识别下颌后牙区的解剖性下颌舌侧凹陷，并预测符合生物学引导的三维种植体位置。 方法：研究纳入了单颗下颌后牙缺失的锥形束计算机断层扫描（CBCT）图像。利用3D U-Net和Swin-Transformer构建了一个深度学习框架。该框架旨在自动分割牙齿、下颌骨及下颌神经管；对舌侧凹陷的形态类型进行分类；并通过坐标预测识别种植体关键点。通过五折交叉验证评估模型性能。 结果：所提出的模型在牙齿分割方面的Dice相似系数达到0.87至0.91。在下颌舌侧凹陷分类中，准确率达到0.92至0.97。关于三维种植体位置的预测，自动生成的方案与下颌神经管保持了3.20至3.89 mm的安全距离。此外，在种植体颈部和根尖水平均保留了足够的骨量，颊/舌侧颈部骨宽度平均为4.94至5.78 mm。 结论：本实验中的深度学习模型在回顾性内部验证环境中，在不同视图和学习任务上均表现良好。此外，它展示了准确识别相关解剖结构的能力，且预测的三维种植体位置在内部验证队列中显示出临床可接受的安全边界。 临床相关性：该模型提供了一个初步的AI辅助框架，用于识别关键的下颌解剖结构并生成符合生物学引导的初步种植体位置建议，从而有助于在临床前评估中减少术中并发症并降低术后机械和生物学并发症的风险。