深度学习在口腔和颌面外科中用于CT重建、骨 segmentation 和手术计划的应用综述

计算机辅助外科（CAS）使临床医生能够个性化治疗和手术干预，因此在颌面外科中越来越受到欢迎。目前的颌面 CAS 包含三个主要步骤：（1）CT图像重建，（2）骨 segmentation，和（3）手术规划。然而，这三个步骤都可能引入错误，这些错误可能严重影响治疗结果。因此，通常需要繁琐且耗时的手动后处理，以确保每个步骤的执行都是适当的。克服这个问题的一种方法是在颌面 CAS 工作流程中开发和实施神经网络（NN）。这些学习算法可以在没有明确定义规则的情况下训练以执行特定任务。近年来，提出了大量新颖的神经网络方法，适用于广泛的应用，这使得跟上所有相关发展变得困难。因此，本研究旨在总结和回顾所有适用于 CT 图像重建、骨 segmentation 和手术规划的相关神经网络方法。在全文筛查后，识别出76篇出版物：32篇集中于CT图像重建，33篇集中于骨 segmentation，11篇集中于手术规划。总体而言，在识别的研究中，卷积神经网络的使用最为广泛，尽管在手术计划任务中，多层感知器最常被应用。此外，讨论了当前方法的缺陷和有前景的研究方向。