Hacia una segmentación tridimensional de dientes clínicamente aplicable a través del aprendizaje profundo

La odontología digital juega un papel fundamental en la atención dental. Un paso crítico en muchos sistemas dentales digitales es delinear con precisión los dientes individuales y la encía en los datos de malla escaneados intraoralmente en 3 dimensiones. Sin embargo, los métodos de vanguardia anteriores son, o bien que consumen mucho tiempo o propensos a errores, lo que limita su aplicabilidad clínica. Este artículo presenta un modelo de aprendizaje profundo preciso, eficiente y totalmente automatizado entrenado en un conjunto de datos de 4,000 datos escaneados intraoralmente anotados por expertos humanos experimentados. En un conjunto de datos de reserva de 200 escaneos, nuestro modelo logra una precisión por cara, una precisión de área promedio y un área bajo la curva de características operativas del receptor de 96.94%, 98.26%, y 0.9991, respectivamente, superando significativamente las líneas de base de vanguardia. Además, nuestro modelo solo toma alrededor de 24 s para generar salidas de segmentación, en comparación con más de 5 min para la línea de base y 15 min para los expertos humanos. Una prueba de rendimiento clínico de 500 pacientes con maloclusión y/o dientes anormales muestra que el 96.9% de las segmentaciones son satisfactorias para aplicaciones clínicas, el 2.9% activan automáticamente alarmas para mejora humana, y solo el 0.2% de ellas necesitan rehacer. Nuestra investigación demuestra el potencial del aprendizaje profundo para mejorar la eficacia y la eficiencia del tratamiento dental y la odontología digital.