郭亞霖，牛群文，代 維，盛 晨，侯文杰，樂昊雯，王家柱，許來青，汪 林*

（1.解放軍總醫(yī)院第一醫(yī)學(xué)中心口腔科，北京 100853；2.解放軍醫(yī)學(xué)院，北京 100853；3.解放軍總醫(yī)院第一醫(yī)學(xué)中心神經(jīng)內(nèi)科，北京 100853；4.北京市豐臺區(qū)婦幼保健院口腔科，北京 100067）

0 引言

近年來，隨著醫(yī)療衛(wèi)生事業(yè)的不斷進步，種植牙技術(shù)愈加完善，當(dāng)前已成為患者修復(fù)缺失牙齒的首選[1]。牙種植體是依靠周圍的牙槽骨來保持其穩(wěn)定性和功能的持久性[2]，因此一種植體周圍邊緣骨吸收是術(shù)后檢查需要監(jiān)測的一個重要參數(shù)。在臨床實踐中，種植體周圍骨高度的檢測依賴于影像學(xué)檢查。拍攝全景片和根尖片是常見的檢查手段，其具有操作簡單、費用低和放射量小的優(yōu)勢，但是這些二維影像學(xué)檢查存在嚴重的局限，即不能提供有關(guān)種植體頰側(cè)和舌側(cè)牙槽骨的信息，而這會影響臨床醫(yī)生的判斷[3]。隨著影像學(xué)技術(shù)不斷的完善和進步，為牙齒頜面成像開發(fā)的錐形束CT（cone beam CT，CBCT）能為臨床醫(yī)生提供三維信息，且比CT 設(shè)備價格更實惠，設(shè)備尺寸更小，而且還能以較低的輻射劑量和較短的掃描時間提供高質(zhì)量的圖像，目前正逐步代替二維影像學(xué)檢查[4]。

通常通過影像學(xué)評估牙槽骨吸收情況[5]，盡管在某些情況下，影像片的評估判讀可能由口腔影像科醫(yī)生進行，但在許多臨床實踐中口腔醫(yī)生經(jīng)常自己閱片。而醫(yī)生正確解讀醫(yī)學(xué)影像是需要進行培訓(xùn)的，尤其在口腔領(lǐng)域，牙科專業(yè)人員對放射圖像評估的一致率在一定程度上因個人知識、技能和習(xí)慣而有所不同[6]。缺乏經(jīng)驗的臨床醫(yī)生可能會診斷錯誤，從而導(dǎo)致誤診或誤治。此外，口腔醫(yī)生的緊缺和醫(yī)療資源分布的不均也加大了居民接受口腔健康服務(wù)的阻力，使口腔保健工作面臨嚴峻考驗[7]。因此，開發(fā)一種高效、客觀、精確的種植體周圍骨智能測量工具是臨床的迫切需求。

計算機輔助診斷（computer-assisted diagnosis，CAD）逐步演變?yōu)獒t(yī)生的“第三只眼”被逐漸引入口腔各個領(lǐng)域。人工智能是計算機科學(xué)的一個領(lǐng)域，旨在執(zhí)行各種需要人類智能的特定功能。它模仿人類的智能，并使用深度學(xué)習(xí)方法改進其隨著時間的推移獲得的這些特征[8]。隨著計算機視覺技術(shù)在醫(yī)學(xué)圖像上的不斷應(yīng)用，深度學(xué)習(xí)由于具有良好的特征提取與學(xué)習(xí)能力被廣泛應(yīng)用于醫(yī)學(xué)圖像分析中，例如使用深度學(xué)習(xí)方法進行醫(yī)學(xué)圖像器官分割[9]。深度學(xué)習(xí)通過將算法分層到人工神經(jīng)網(wǎng)絡(luò)中，模仿人腦，進一步提高了計算機的自主性。通過這種分層，深度學(xué)習(xí)網(wǎng)絡(luò)變得更加強大[10]。卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural networks，CNN）是一種基于卷積結(jié)構(gòu)的深度神經(jīng)網(wǎng)絡(luò)，是深度學(xué)習(xí)領(lǐng)域的代表算法之一，被廣泛用于圖像的分類、檢測、分割等領(lǐng)域[11-12]。CNN還可以用于處理復(fù)雜的圖像，近年來已被用于口腔各個方面，如牙齒編號、根尖周病變和下頜神經(jīng)管檢測等[13-15]，并取得了令人滿意的結(jié)果。然而CNN 在自動測量種植體周圍牙槽骨高度領(lǐng)域很少有研究，為了在同一標(biāo)準(zhǔn)下測量牙槽骨高度、減少觀察者之間的誤差，本研究提出一種基于CNN 的種植體周圍牙槽骨關(guān)鍵點識別方法，用于在CBCT 圖像中識別種植體周圍邊緣骨丟失，并通過平均精度的均值（mean average precision，mAP）對該方法的識別能力進行評價。

1 資料與方法

1.1 一般資料

回顧性收集2022 年3—8 月于解放軍總醫(yī)院第一醫(yī)學(xué)中心口腔放射科拍攝的成人患者（158 例）種植牙術(shù)后CBCT 影像學(xué)資料，從CBCT 影像資料中選擇436 張種植體的冠狀位、矢狀位切片圖像。本研究通過解放軍總醫(yī)院倫理審查會審查，并對所有數(shù)據(jù)進行匿名處理。

1.2 納入、排除標(biāo)準(zhǔn)

納入標(biāo)準(zhǔn)：（1）基本資料、檢查及診斷情況、病史等資料完善；（2）CBCT 圖像能清晰顯示重要解剖結(jié)構(gòu)，種植體影像無明顯偽影；（3）患者使用的是ITI種植系統(tǒng)（StraumannAG 公司，瑞士）和NobelActive 系統(tǒng)（Nobel Biocare 公司，瑞士）；（4）同一個患者的一個區(qū)域中只選擇一個種植體，如果該患者的對側(cè)區(qū)域存在種植體，則對稱選擇。

排除標(biāo)準(zhǔn)：由于體位或拍攝標(biāo)準(zhǔn)不符造成CBCT影像質(zhì)量不佳者。

1.3 數(shù)據(jù)收集與處理

CBCT 檢查與處理：（1）CBCT（朗視HiRes3D，北京朗視儀器股份有限公司）檢查：患者取坐姿，眶耳平面與水平面平行，矢狀面與水平面垂直；患者口腔在掃描期間保持靜止，且上下牙列處于咬合狀態(tài)；曝光電壓為100 kV，電流為4 mA，時間為13 s，視野大小為16 cm×8 cm；掃描數(shù)據(jù)以DICOM 格式導(dǎo)出，沒有丟失的數(shù)據(jù)。（2）圖像處理：患者CBCT 圖像由2名放射科醫(yī)生進行分析，調(diào)整容積數(shù)據(jù)圖像的灰度、對比度及銳化度后獲取圖像。CBCT 關(guān)鍵點標(biāo)注圖像采集示意圖如圖1 所示，調(diào)整后截取冠狀位視圖和矢狀位視圖。

圖1 CBCT 關(guān)鍵點標(biāo)注圖像采集示意圖

采用Mimics Medical 軟件（版本21.0）使用多平面重建進行關(guān)鍵點標(biāo)注。在水平位窗口上定位種植體，讓綠線與黃線交點位于種植體的橫斷面中心處，如圖1（a）所示。在矢狀位視圖中，旋轉(zhuǎn)圖像使種植體的長軸平行于黃色線，并在種植體的平臺水平繪制另一條垂線（紅線），如圖1（b）所示。在冠狀位視圖中，旋轉(zhuǎn)圖像使種植體的長軸與綠色線平行并對等，如圖1（c）所示。對圖像對比度進行調(diào)制，以區(qū)分不同組織密度。

1.4 圖像標(biāo)注

采用Labelme 軟件對種植體使用邊界框進行標(biāo)注，邊界框必須完全包含種植體，并標(biāo)注圖像中的牙槽骨與種植體頸部的接觸點a、b，以及與種植體底部的接觸點c，如圖2 所示。由2 名放射科醫(yī)生對關(guān)鍵點進行標(biāo)注，并由1 名高級職稱口腔醫(yī)生（20 a 工作經(jīng)驗）進行最終標(biāo)注結(jié)果的確認。

圖2 圖像標(biāo)注示意圖

1.5 網(wǎng)絡(luò)模型

本研究針對種植體周圍牙槽骨關(guān)鍵點定位展開研究，采用高分辨力網(wǎng)絡(luò)（high-resolution network，HRNet）[16]作為骨干網(wǎng)絡(luò)進行特征提取。在HRNet 中，不同類型的卷積分辨力網(wǎng)絡(luò)以并行的方式鏈接在一起。HRNet 具有豐富的低分辨力和高分辨力交互，增強了其內(nèi)部表示能力。此外，在訓(xùn)練過程中保持網(wǎng)絡(luò)的特征表示，可以防止小目標(biāo)信息在特征圖中丟失。HRNet 由微軟亞洲研究院和中國科學(xué)技術(shù)大學(xué)提出[16]。HRNet 的主要特點是在整個過程中始終保持高分辨力的特征，并通過融合不同分辨力特征增強特征的語義信息，這與大多數(shù)傳統(tǒng)的CNN 設(shè)計思路有很大區(qū)別，更加適用于關(guān)鍵點定位任務(wù)。本研究提出的模型由骨干網(wǎng)絡(luò)（HRNet）和用于關(guān)鍵點定位的網(wǎng)絡(luò)頭組成，其中網(wǎng)絡(luò)頭由3 層卷積層組成，用于輸出關(guān)鍵點的概率圖，所采用的骨干網(wǎng)絡(luò)HRNet 通用結(jié)構(gòu)如圖3 所示。關(guān)鍵點定位需要很高的精度，而深度網(wǎng)絡(luò)輸出的特征圖分辨力往往低于輸入圖像，導(dǎo)致關(guān)鍵點的定位存在量化誤差。因此，本文進一步提出一種基于局部估計的關(guān)鍵點矯正算法，以更加精準(zhǔn)地預(yù)測關(guān)鍵點的位置。

圖3 HRNet 通用結(jié)構(gòu)圖

2 檢測方法

本研究提出了一種新的單階段關(guān)鍵點檢測方法，簡化了現(xiàn)有方法中的兩階段復(fù)雜計算，另外，還提出了一種局部估計精化（refinement with local estimation，LE Refinement）方法，以減少低分辨力引起的量化誤差。

2.1 關(guān)鍵點計算

牙齒關(guān)鍵點檢測任務(wù)旨在檢測每顆種植體的牙槽骨邊緣與種植體接觸的位置。具體來說，牙齒關(guān)鍵點P 可以表示為

式中，k 為每個種植體的關(guān)鍵點數(shù)量；pi=（xi，yi，vi），其中（xi，yi）表示第i 個關(guān)鍵點的2D 坐標(biāo)，vi表示第i個關(guān)鍵點的可見性。本研究定義了3 個牙齒關(guān)鍵點，包括種植體周圍骨水平a、b 和種植體頂點c。

為了獲得每個種植體的P，基于概率熱圖的方法將關(guān)鍵點定位表示為一個像素分類任務(wù)，該任務(wù)為每個像素確定2 個屬性，即關(guān)鍵點類型和牙齒身份。

對于包含n 個種植體的圖像，關(guān)鍵點檢測結(jié)果可以編碼在一組實例級關(guān)鍵點熱圖Hinst（Hinst∈Rn×k×h×w）中，其中，n、k 為種植體和關(guān)鍵點的數(shù)量，h、w 為熱圖的高度和寬度。種植體關(guān)鍵點的計算在概念上表示為

式中，θ 為關(guān)鍵點檢測模型M（·）的可學(xué)習(xí)參數(shù)；I 為輸入CBCT 圖像。Hinst中的每個元素表示特定種植體的關(guān)鍵點在其位置處的概率。通過尋找k 個通道中的最大值可以獲得每個種植體的關(guān)鍵點坐標(biāo)。

對于包含n 顆種植體的圖像I，其真實標(biāo)簽實例級關(guān)鍵點熱圖Hinst是通過在每個種植體的k 個二進制關(guān)鍵點位置圖上應(yīng)用2D 高斯核來構(gòu)建的。整體訓(xùn)練目標(biāo)Loverall可以表示為

式中，Lcen表示種植體錨點檢測的焦點損失；Lkpt表示關(guān)鍵點預(yù)測的像素級損失。

現(xiàn)有方法[17]中的關(guān)鍵點檢測模型是一個兩階段模型。與這些方法不同，本研究通過將Hinst解耦為多個屬性熱圖，并在并行架構(gòu)中學(xué)習(xí)這些熱圖，從而將關(guān)鍵點檢測模型改進為一個單階段模型。更具體地說，Hinst可以分解為2 個熱圖：一是關(guān)鍵點歸屬熱圖Hid（Hid∈Rn×h×w），以區(qū)分不同種植體的關(guān)鍵點；二是關(guān)鍵點類型熱圖Htype（Htype∈Rk×h×w），為每個關(guān)鍵點提供類型標(biāo)簽。Hinst可以通過融合Hid和Htype來生成，即

式中，F(xiàn)（·）為融合模型，可以簡單地通過將Hid和Htype擴展為n×k×hw 大小的矩陣后相加來實現(xiàn)。

本方法將Hinst復(fù)雜計算分解為對Hid和Htype的2個簡化預(yù)測計算。Hid和Htype可以用類似的體系結(jié)構(gòu)進行預(yù)測，因為二者都對應(yīng)于熱圖預(yù)測任務(wù)。另外，可以在統(tǒng)一的框架中聯(lián)合優(yōu)化Hid和Htype的計算。

2.2 屬性分解熱圖（attribute-disentangle heatmap，ADH）

如圖4 所示，ADH 由1 個網(wǎng)絡(luò)骨干特征提取器和3 個頭部分支組成，分別用于預(yù)測種植體錨點、身份嵌入和空間嵌入。ADH 通過將身份查詢和關(guān)鍵點類型查詢與空間嵌入分別進行比較來計算Hid和Htype。

首先進行種植體錨點預(yù)測，從I 中定位每顆種植體。對于I 中的種植體，通過錨點分支檢測其錨點，該分支使用焦點損失訓(xùn)練錨點分類，即

式中，Hc和分別為預(yù)測和真實標(biāo)簽中心熱圖，其中每個像素表示在其位置存在種植體的概率；n 為I中牙齒錨點的數(shù)量；參照前人的工作[18]，將平衡因子α 和β 的值設(shè)為2 和4。

通過將身份查詢與每個空間嵌入位置的特征進行比較，計算關(guān)鍵點身份熱圖，如圖4 所示。由于不同種植體的外觀和朝向是多樣化的，因此身份查詢應(yīng)該是每顆種植體的代表性特征。本研究生成一個身份嵌入特征映射Fid（Fid∈Rd×hw），用于存儲n 顆種植體的身份查詢。假設(shè)中心熱圖檢測到第i 個種植體的中心位置（xi，yi），根據(jù)空間位置（xi，yi）從Fid中提取該牙齒的身份查詢fi，即

式中，fi∈R1×d，表示第i 顆種植體的身份查詢；d 為查詢嵌入維數(shù)。

對于包含n 顆種植體的圖像，其身份查詢可以定義為

因此，本研究將身份查詢f 與空間嵌入Fs（Fs∈Rd×hw）的每個空間位置的特征向量進行匹配，得到身份熱圖Hid。通過余弦相似度計算Hid每個位置的響應(yīng)：

其中，f 和Fid中的每個d 維向量都是L2 歸一化的。Hid∈Rn×hw，為圖像I 中關(guān)鍵點的標(biāo)識標(biāo)簽，它由n 個通道組成，每個通道表示一顆種植體關(guān)鍵點的位置。

關(guān)鍵點類型熱圖是通過將關(guān)鍵點類型查詢與空間嵌入Fs中每個位置的特征進行比較來計算的。由于不同種植體具有相同類型的關(guān)鍵點，本研究將關(guān)鍵點類型查詢視為可學(xué)習(xí)參數(shù)q（q∈Rk×d）。換句話說，以一個通用的d 維特征向量來表示每種類型的關(guān)鍵點，并在推理時使用它來定位不同種植體的關(guān)鍵點。與Hid的計算類似，可以通過q 與空間嵌入Fs匹配來計算關(guān)鍵點類型熱圖：

式中，Htype為圖像I 中關(guān)鍵點的類型標(biāo)簽，它由k 個通道組成，其中第i 個通道表示第i 個類型的關(guān)鍵點的位置。

實例級關(guān)鍵點熱圖Hinst是根據(jù)公式（4）中的Hid和Htype計算的，具體來說，將Hid的第i 個通道和Htype的第j 個通道相加，可以很容易地計算出的第i個種植體的第j 個關(guān)鍵點的熱圖，即

關(guān)鍵點預(yù)測損失Lkpt可以通過比較Hinst和真實標(biāo)簽來計算。本研究利用交叉熵（cross entropy，CE）損失與單熱標(biāo)簽進行訓(xùn)練。假設(shè)熱圖上第i 個種植體的第j 個關(guān)鍵點的真實標(biāo)簽為（xi，j，yi，j），則其單熱真實標(biāo)簽li，j計算公式為

式中，w 為熱圖的寬度。利用每個關(guān)鍵點的單熱真實標(biāo)簽，可得到Lkpt計算公式為

式中，τ 為溫度系數(shù)，設(shè)為0.02。

2.3 LE Refinement 方法

由于CNN 主干中的跨卷積和池化層等下采樣操作，熱圖的分辨力低于輸入圖像的分辨力，直接基于熱圖中的最大值定位關(guān)鍵點會受到量化誤差的影響，如圖5（a）所示，導(dǎo)致輸入圖像在HRNet 中的性能下降[19]。最大量化誤差是輸入圖像上的2 個像素。本文提出一種LE Refinement 方法細化輸入圖像上關(guān)鍵點的子像素位置，而不是使用額外分支來回歸子像素偏移[20]，或用反卷積上采樣熱圖[21]。該方法受到尺度不變特征變換（scale invariant feature transform，SIFT）[22]匹配算法的啟發(fā)，目的是通過參考熱圖上的相鄰點來定位插值子像素最大值，如圖5（b）所示。

圖5 熱圖預(yù)測中的量化誤差和通過LE Refinement 方法計算的子像素最大值

對于熱圖H 上的空間位置最大值以矩陣表示，即s0=（x0，y0）T，用相鄰點的插值來估計其子像素最大值s*的位置，表示為s*=s0+，其中是相對于s0的偏移量。本研究通過基于熱圖H 的泰勒展開插值估計。s0處的泰勒展開為

式中的后2 項可以基于關(guān)鍵點s0及其相鄰點計算。s=（δx，δy）T，是相對于s0的偏移量。該公式舍棄了高階分量來簡化計算。

圖5（b）中表示了一維空間中的H（s）、s0和s 的偏移量。顯然，子像素極值s*的位置是通過找到H（s）相對于s 的導(dǎo)數(shù)為零的位置來確定的。因此，相應(yīng)的偏移量的計算公式為

H 的導(dǎo)數(shù)用相鄰點的差值近似。將計算得到的s^添加到s0中，得到s*的插值估計，如圖5（b）所示。

3 評價指標(biāo)與結(jié)果

3.1 評價指標(biāo)

與姿態(tài)估計任務(wù)類似，本研究定義基于牙齒關(guān)鍵點相似度（teeth keypoint similarity，TKS）的平均精度（average precision，AP）作為本研究的牙齒關(guān)鍵點檢測任務(wù)的評估指標(biāo)。對于一對牙齒關(guān)鍵點P1和P2，TKS 定義為

在TKS 的基礎(chǔ)上，定義了不同閾值下的AP 和平均召回率（average recall，AR）。對于數(shù)據(jù)集中第j 張圖像，對應(yīng)的正確率P 和召回率R 的定義為

式中，τ 為閾值；TP 為真陽性數(shù)量，表示在任何真實關(guān)鍵點中TKS 大于閾值τ 的預(yù)測關(guān)鍵點的數(shù)量；FP為假陽性數(shù)量，表示在任何真實關(guān)鍵點中預(yù)測的關(guān)鍵點的TKS 小于閾值τ 的數(shù)量；FN 為假陰性數(shù)量，表示在任何預(yù)測的關(guān)鍵點中TKS 小于閾值τ 的真實關(guān)鍵點的數(shù)量。

基于TP、FP 和FN，整個數(shù)據(jù)集上的AP 和AR 定義為

式中，M 為數(shù)據(jù)庫中的樣本數(shù)量。

3.2 結(jié)果

通過對比不同方法下的mAP 對模型識別關(guān)鍵點的能力進行評價。實驗結(jié)果表明，None、Upsample、Offset regression 和LE Refinement（本文方法）的mAP分別為82.1%、83.3%、84.2%和85.6%。其中，None 表示沒有應(yīng)用任何細化，Upsampling 表示對預(yù)測的熱圖進行上采樣使其達到輸入分辨力，Offset regression表示額外分支回歸的子像素偏移。由上述結(jié)果可知，LE Refinement 方法平均精度最高，該方法可將mAP從82.1%提升到85.6%。在規(guī)模相對較小的實例上可以觀察到顯著的提升。同樣，LE Refinement 方法也優(yōu)于Offset regression 方法，原因是在無約束的2D空間中回歸可能很困難，引入額外的回歸損失可能會干擾模型訓(xùn)練。綜上，說明了LE Refinement 方法在減少量化誤差方面的有效性。另外，從圖6 可以看出，人工智能標(biāo)注結(jié)果與醫(yī)生標(biāo)注圖結(jié)果基本一致，顯示該方法能夠較好地識別種植體周圍牙槽骨關(guān)鍵點。

圖6 種植體周圍牙槽骨關(guān)鍵點標(biāo)注效果圖

4 討論

數(shù)據(jù)庫的不斷完善、算法的不斷優(yōu)化和模型的不斷修正，推動著人工智能的不斷發(fā)展，目前口腔醫(yī)生可以將人工智能系統(tǒng)作為輔助工具，用于提高診斷、治療計劃的準(zhǔn)確性，并預(yù)測治療結(jié)果[23]。雖然目前人工智能還只能從事“程序化”的特定工作，不能真正意義上像人腦那樣對信息進行關(guān)聯(lián)和綜合分析，但人工智能的出現(xiàn)和發(fā)展無疑為口腔醫(yī)學(xué)的發(fā)展提供了新的方向和動力,勢必會成為未來口腔醫(yī)學(xué)的發(fā)展趨勢之一[24]。

本研究需要檢測種植體周圍骨水平關(guān)鍵點和種植體頂點的位置。關(guān)鍵點檢測是計算機視覺中的一項基礎(chǔ)技術(shù)，旨在檢測輸入圖像中感興趣的點，可用于人體姿態(tài)估計[21]、人臉關(guān)鍵點檢測[25]和目標(biāo)檢測任務(wù)[26]。近年來，關(guān)鍵點檢測技術(shù)得到了迅速發(fā)展，現(xiàn)有的方法是通過設(shè)計各種深度模型來檢測關(guān)鍵點。由于每個關(guān)鍵點具有2 個要預(yù)測的屬性（關(guān)鍵點類型和身份查詢），現(xiàn)有方法設(shè)計基于概率熱圖的兩階段模型來分別預(yù)測每個屬性。根據(jù)預(yù)測關(guān)鍵點類型和所屬的順序，這些方法可以歸納為2 類：自上而下[27]和自下而上[28]的方法。這2 類方法都使用單獨的步驟來預(yù)測關(guān)鍵點類型和標(biāo)識標(biāo)簽，并且已經(jīng)證明了具有良好的準(zhǔn)確性。然而，采用單一的步驟導(dǎo)致端到端優(yōu)化困難，限制了模型的效率和緊湊性。由于在無約束的二維假設(shè)空間中進行長程偏移回歸是困難的，這些方法通常表現(xiàn)出低于兩階段方法的性能。

與現(xiàn)有方法不同，本研究提出了一種單階段牙齒關(guān)鍵點檢測方法。該方法采用ADH 并行結(jié)構(gòu)對每個屬性進行預(yù)測。ADH 將每個屬性表示為一個查詢特征，并將其與特征映射進行匹配。關(guān)鍵點身份查詢由從輸入圖像中提取的物體特征表示。由于不同對象具有相同類型的關(guān)鍵點，因此將關(guān)鍵點類型查詢作為可學(xué)習(xí)的參數(shù)。換句話說，即學(xué)習(xí)每種類型關(guān)鍵點的一般特征，并在推理過程中使用它來定位所有對象的關(guān)鍵點。ADH 中2 個屬性的熱圖具有相似的結(jié)構(gòu)并共享相同的主干，使得它們的計算可以在一個緊湊的單階段模型中聯(lián)合優(yōu)化。

ADH 通過預(yù)測熱圖來定位關(guān)鍵點，因此其精度與熱圖分辨力有關(guān)。本文提出一種LE Refinement 改進方法，以減小低分辨力引起的量化誤差。對于熱圖上的每個預(yù)測關(guān)鍵點，LE Refinement 方法通過無參數(shù)的泰勒展開細化其在原始圖像上的位置。與以往的基于深度學(xué)習(xí)的算法相比，該方法易于實現(xiàn)，在效率和精度上都有顯著提高。

口腔種植適用于牙齒缺失患者的治療，將種植體和牙冠植入患者牙槽骨來替代缺失牙齒以恢復(fù)咀嚼功能和美觀?？谇环N植過程一般包括3 個階段：術(shù)前評估與規(guī)劃、圍手術(shù)期和術(shù)后維護。術(shù)后維護階段涉及定期審查植入物本體的骨整合完整性以及維持治療的應(yīng)用。因此，早期發(fā)現(xiàn)邊緣骨丟失對牙齒和種植體的治療計劃和預(yù)后至關(guān)重要。到目前為止，許多研究已經(jīng)證明了放射影像學(xué)對于診斷骨缺損的重要性[29-30]。對種植體周圍骨缺損的形態(tài)和大小進行準(zhǔn)確的影像學(xué)評估具有重要的臨床意義，因為它直接影響到種植體的存活率以及手術(shù)和非手術(shù)缺損治療的療效[31]。我國口腔醫(yī)師和口腔助理醫(yī)師數(shù)量嚴重不足，尤其是口腔放射專科醫(yī)師少之又少。與此同時，優(yōu)質(zhì)醫(yī)療資源的分配不均也不容忽視。許多?？漆t(yī)生和全科醫(yī)生未受過全面的放射影像評估訓(xùn)練，對于種植計劃和解剖組織不能進行很好地解釋。這種情況給種植體周圍骨量丟失的診斷及測量帶來了挑戰(zhàn)。人工智能檢測關(guān)鍵點從而得到牙槽骨高度，并比較種植體周圍骨組織高度變化情況，可以排除人為干擾因素，得到的是相同測量標(biāo)準(zhǔn)下的相對高度。未來人工智能可應(yīng)用于口腔臨床中牙槽骨動態(tài)評估，包括但不限于牙槽骨吸收評價及骨粉植入后的牙槽骨動態(tài)進展的變化，以期在臨床上可以輔助醫(yī)生進行種植術(shù)后預(yù)后的追蹤和維護，為臨床醫(yī)生提供參考。目前由于本研究收集的病例數(shù)有限，后續(xù)將繼續(xù)完善增加數(shù)據(jù)庫，以期不斷優(yōu)化模型，為今后提高關(guān)鍵點檢測結(jié)果的準(zhǔn)確性打下堅實基礎(chǔ)。