Nel campo dell’odontoiatria digitale, la generazione di rappresentazioni 3D delle strutture dentali e maxillo-facciali è un passaggio fondamentale. Tuttavia, indipendentemente dal fatto che si utilizzi la segmentazione manuale o quella semi-automatizzata, il processo può risultare lungo e soggetto a pregiudizi da parte dell'operatore. Per affrontare queste sfide, un team di ricercatori in Belgio e Svezia ha addestrato e valutato una piattaforma basata su cloud per la segmentazione automatizzata dei canini mascellari interessati nelle immagini CBCT (Cone Beam Computed Tomography). I risultati sono stati sorprendenti: lo strumento ha dimostrato una notevole precisione e rapidità rispetto ai metodi tradizionali.
La piattaforma è stata addestrata utilizzando una rete neurale convoluzionale, una architettura computazionale che impara a identificare le condizioni e le anomalie dentali analizzando i modelli e le caratteristiche presenti nelle immagini. Il processo di addestramento è stato condotto utilizzando un totale di 100 immagini CBCT con impazioni dei canini mascellari: 50 di queste immagini sono state utilizzate per istruire il modello, mentre le altre 50 sono state usate per valutarne le prestazioni.
Per entrambe le fasi, sia quella di addestramento che di valutazione, è stata impiegata una piattaforma online basata su cloud addestrata per la segmentazione di varie strutture dentali e maxillo-facciali, denominata Virtual Patient Creator. Al fine di valutare l'efficacia del modello, le sue prestazioni sono state confrontate con la segmentazione semi-automatizzata eseguita da esperti. Questa valutazione è stata effettuata analizzando ogni singolo pixel nello spazio 3D e le forme degli oggetti presenti nelle immagini, consentendo di misurare la precisione e la coerenza del nuovo strumento rispetto agli approcci tradizionali.
Secondo i risultati dello studio, lo strumento automatizzato ha mostrato una notevole precisione e coerenza nella segmentazione dei canini mascellari superiori impattati, indipendentemente dalle diverse angolazioni delle immagini. I ricercatori hanno osservato che le prestazioni del modello erano paragonabili a quelle ottenute tramite segmentazioni semi-automatizzate eseguite da esperti clinici. Inoltre, è particolarmente interessante notare che il modello ha mostrato una coerenza del 100% eliminando completamente il problema della variabilità umana, infatti, è stato in grado di produrre risultati identici quando applicato più volte allo stesso caso. Sono stati necessari solo piccoli perfezionamenti che hanno contribuito a confermare un'alta concordanza tra la segmentazione automatizzata e quella semi-automatizzata.
In aggiunta, il modello ha dimostrato di essere incredibilmente veloce nell'esecuzione della segmentazione. In media, sono stati necessari solo 21 secondi per completare la segmentazione automatica dei canini impattati, rispetto a una media di 582 secondi richiesta per la segmentazione semi-automatica così da rendere la prima ben 24 volte più rapida.
Fonte: Scientific Reports
