Page 29 - 南京医科大学自然版

第45卷第12期 赵 鹃，刘雯丽，祝非凡，等. 人工智能在口腔种植修复中的研究进展、应用与挑战［J］.
2025年12月 南京医科大学学报（自然科学版），2025，45（12）：1709-1718 ·1711 ·

空间位置和健康状况进行智能识别和分割。 检测下颌牙槽骨骨高度、骨宽度和下颌神经管的
1.2.1 牙的识别及分割 Dental⁃YOLO模型，Dental⁃YOLO是YOLO4的高效版
［13］
Choi等 基于卷积神经网络（convolutional neural 本，具有高低双尺度特征图，检测平均精度达99.64%，
network，CNN）的 EfficientDet 模型搭建深度学习网 效率比YOLO4快8倍，准确度与手动测量差异无统
络，在恒牙列曲面断层片中，智能识别、分割健康 计学意义。
牙、修复体、根管治疗后患牙和修复体的正确率分 考虑到前牙种植修复的美学需求，Lin等 对前
［27］
别为 99.1%、80.6%、81.2%和 96.8%，该模型对于牙 牙区牙根矢状向倾斜角度的AI评估进行了研究，采
列拥挤和图像模糊的区域也能得到较高精度。Xu 用5种CNN 模型进行“端对端”弱监督训练，以未加
等 ［14］ 基于U⁃Net算法增加了曲面断层片中乳牙列和 任何额外标注的原始图像及角度标签作为训练对
混合牙列中的牙的测量。Li 等 ［15］ 通过改进深度学 象，输入选定的 CNN 中进行模型训练及参数优化，
习YOLO网络提出了一种新的DMAF⁃Net模型，增加 并模拟人脑视觉处理中对感兴趣区域的关注，采取
了对曲面断层片中阻生牙的自动检测，模型平均准 类激活映射等权重可视化方法解释模型热区，成功
确率为92.7%。 构建牙根倾斜度AI预测工具，经过算法级及数据级
与根尖片、曲面断层片相比，CBCT 中三维图像 的结果评价，证实模型的有效性及精确性，最终实
的识别与分割更为复杂，因为三维数据往往具有不 现高精度输出CBCT矢状截面上前牙牙根倾斜度指
规则的结构，无法用经典的二维矩阵直接操作，需 标的目标。这个模型的效率很高，识别每幅 CBCT
要将三维数据先转换为多视角二维图像，经CNN处 图像只需0.001 s，无需人工分割和标记即可循序准
理之后，再组合成三维图像，从而分割CBCT中的牙 确识别和测量，大大减轻了临床医师的工作量。
齿及骨组织 ［16-22］ 。Miki 等 ［22］ 利用基于 AlexNet 架构 1.2.3 种植相关重要颌骨解剖的识别与分割
的 CNN，实现 CBCT 中 7 个类别的牙齿自动识别。 上下颌骨的识别与分割是种植手术虚拟设计
Jang 等 ［16］ 提出了一种分层多步骤模型对 CBCT 中的 的关键一步，目前这一步可以高效地借助多种AI模
牙 齿 进 行 分 类 、识 别 和 分 割 ，Dice 相 似 系 数 为 型实现 ［28-32］ 。
94.79%。针对金属修复体或植入物伪影影响识别 上颌窦是上颌后牙区种植术中的重要结构。
［23］
和分割效果的问题，Lee等 提出了一种基于 U⁃Net 若窦槽距较小，临床上常使用上颌窦底提升术来
的 U 型架构，提高了在射线伪影等噪声干扰下， 提高可用骨量，确保种植成功。目前，许多研究致
CBCT 中牙齿分割效果。另外，针对使用二维 CNN 力于开发 AI 算法自动分割和重建上颌窦形态。
进行三维图像处理会导致三维空间信息丢失的问 Choi 等 ［33］ 使用 CNN U⁃Net 开发了用于 CBCT 上颌
［17］
题，Cui等 提出了基于 3D Mask R⁃CNN 的ToothNet 窦分割的模型，通过加入后处理提高了模糊上颌窦
架构，实现了CBCT中牙齿分割准确率92.3%。一项 影像的分割准确性，Dice 相似系数（dice similarity
2024 年发表的 Meta 分析显示，AI 模型识别分割 coefficient，DSC）可达到 0.909 9。Morgan 等 ［34］ 使用
CBCT 中下颌及上颌缺失牙位的准确性分别是 96% 两步3D U⁃Net架构，即先以低分辨率进行上颌窦大
和 83%，这可能受上颌骨合并鼻腔、上颌窦等结构 致分割，再将所获数据进行全分辨率分割和组合，
的复杂性影响 。 DSC提高至0.985 。
［19］
［24］
1.2.2 缺牙区骨组织的识别、分割以及骨量评估 下颌种植术中，若种植体过深或位置过于接近
上下颌牙槽骨的高度和宽度的测量对于设计 下颌神经管，可能会压迫或损伤下颌神经，导致麻
种植体的尺寸、形态和材质至关重要。人工测量很 木、疼痛等神经损伤症状。因此，种植手术前需进
容易因操作者经验、技术和主观性的变化而出现偏 行精确的影像学评估，以帮助确定神经管的确切位
差，稳定性较差，效率偏低 ［24］ 。Kurt 等 ［25］ 使用深度 置，避免种植体与神经管发生不良接触。Ni等 ［35］ 基
CNN模型Diagnocat对CBCT中缺牙区牙槽骨高度和 于2D U⁃Net 提取CBCT影像中下颌神经管的相关区
厚度进行自动测量，与人工测量结果对比显示，在 域和全局分割，进一步使用3D U⁃Net分割细化。Lin
高度测量中，AI 和人工测量在下颌骨前磨牙区域以 等 ［36］ 提出了双阶段3D U⁃Net 模型分割CBCT影像中
及上颌骨前磨牙和磨牙区域差异无统计学意义，而 的下颌神经管，平均DSC达0.875。Usman等 ［37］ 采用
在厚度测量中，AI 和人工测量在所有区域均存在 一种基于直方图的新型动态窗口框架，增强CBCT中
统计学显著差异。此后，Widiasri 等 ［26］ 研发出自动 下颌神经管的可视性，使用深度监督注意力 U⁃Net