Bevezetés: A digitális technológia fejlődése következtében a maxillofacialis sebészet területén az állcsont-ortopédiában egyre gyakrabban vesszük igénybe a virtuális műtéti tervezés és a navigált sebészet lehetőségeit. A műtéti esetek változatossága és bonyolultsága számottevő, továbbá nehézséget jelent egy traumás eset helyreállítása, anatómiailag pontos és terhelhető implantátumok tervezése és alkalmazása. Célkitűzés: A tervezés elengedhetetlen előfeltétele a pontos képalkotás és képfeldolgozás. A rossz minőségű CT- (komputertomográfiás) vagy CBCT- (kúpsugaras komputertomográfiás) felvételek rontják a felvételek feldolgozását végző algoritmusok eredményét, illetve a háromdimenziós felvétel rekonstrukciójának minőségét. A kézi kijelöléssel történő 3D rekonstrukció többórás manuális munkával jár, ami jelentősen megnöveli a 3D CAD/CAM (számítógéppel támogatott tervezés/számítógéppel támogatott gyártás) alapú folyamatok idejét és költségét. Anyag és módszer: Jelen cikkünkben ismertetünk egy elsődlegesen műtéti tervezéshez kifejlesztett csontkijelölő (szegmentáló) algoritmust, majd megvizsgáljuk annak előnyeit a műtéti tervezés aspektusában. A módszer éldetektáláson, matematikai morfológián és képfeldolgozó műveleteken alapul. Eredmények: Módszerünk pontosságát összehasonlítottuk 40 db felvételen elvégzett manuális szegmentációval. A manuális munkához képest 80–180-szoros gyorsulást tudtunk elérni, 90%-os precizitással. Következtetés: A módszer jelentősen csökkenti a műtéti tervezésekkel járó többórás manuális szegmentáció idejét és annak költségét, ezzel jelentősen megnövelve a műtéti tervezések hatékonyságát. A módszer precizitása a műtéti tervezéshez megfelelő. Orv Hetil. 2022; 163(46): 1840–1846.
Nagarajappa AK, Dwivedi N, Tiwari R. Artifacts: the downturn of CBCT image. J Int Soc Prev Community Dent. 2015; 5: 440–445.
Chen S, Wang L, Li G, et al. Machine learning in orthodontics: introducing a 3D auto-segmentation and auto-landmark finder of CBCT images to assess maxillary constriction in unilateral impacted canine patients. Angle Orthod. 2020; 90: 77–84.
Yip S, Perk T, Jeraj R. Development and evaluation of an articulated registration algorithm for human skeleton registration. Phys Med Biol. 2014; 59: 1485–1499.
Wang L, Gao Y, Shi F, et al. Automated segmentation of dental CBCT image with prior-guided sequential random forests. Med Phys. 2016; 43: 336–346.
Sharma N, Ray AK, Sharma S, et al. Segmentation and classification of medical images using texture-primitive features: application of BAM-type artificial neural network. J Med Phys. 2008; 33: 119–126.
Shapiro LG, Stockman GC. Computer vision. Pearson, Prentice-Hall, NJ, 2001. ISBN 0-13-030796-3.
Serra J. Introduction to mathematical morphology, computer vision, graphics, and image processing. Comput Vision Graph Image Process. 1986; 35: 283–305.
Canny J. A computational approach to edge detection. IEEE Trans Pattern Anal Mach Intell. 1986; 8: 679–698.
DICOM® publications and DICOMWeb™ publications are published by and copyright owned by the National Electrical Manufacturers Association. Available from: https://www.dicomstandard.org/current/ [accessed: 7 August, 2022].
Wikipedia. Confusion matrix. Available from: https://en.wikipedia.org/wiki/Confusion_matrix [accessed: 7 August, 2022].