El hueso cigomático es un hueso facial que forma el pómulo y se encuentra situado en la región lateral de la cara. En el ámbito de la odontología, desempeña un papel fundamental ya que da soporte a los tejidos blandos de la mejilla y los labios.
Un artículo publicado en Journal of Dentistry ha investigado la eficiencia y precisión de un método de segmentación automática basado en aprendizaje profundo para huesos cigomáticos a partir de imágenes de tomografía computarizada de haz cónico (CBCT) en comparación además con la eficiencia de los dentistas
El estudio incluyó ciento treinta escaneos CBCT, que fueron divididos aleatoriamente en tres subconjuntos (entrenamiento, validación y prueba). Se desarrolló un modelo basado en aprendizaje profundo que incorporaba una red de clasificación y una red de segmentación, donde se agregó un módulo de supervisión de bordes para aumentar la atención de los bordes de los huesos cigomáticos.
Los bordes son importantes a la hora de planificar cirugías en base a un diagnóstico que proporcione información lineal y volumétrica del tejido duro y blando dentomaxilofacial. Aunque los enfoques convencionales tienen inconvenientes, se espera que las tecnologías basadas en aprendizaje profundo, como las utilizadas en este estudio, superen estas dificultades y mejoren la precisión de la segmentación.
Comparación del rendimiento entre modelo automático y dentistas
Se utilizaron los algoritmos Grad-CAM y Guided Grad-CAM para generar mapas de atención y mejorar la interpretabilidad del modelo. Posteriormente, se comparó el rendimiento del modelo con el de cuatro dentistas en 10 escaneos CBCT del conjunto de datos de prueba, considerando un valor de p <0,05 como estadísticamente significativo.
Los resultados fueron los siguientes:
- La precisión de la red de clasificación fue del 99,64%.
- El coeficiente Dice (Dice) del modelo basado en aprendizaje profundo para el conjunto de datos de prueba fue de 92,34 ± 2,04 %.
- La distancia de superficie promedio (medida utilizada para evaluar la concordancia o discrepancia entre dos superficies) fue de 0,1 ± 0,15 mm.
- La distancia de Hausdorff (mide cuán lejos están uno de otro dos subconjuntos compactos de un espacio métrico) del 95 % fue de 0,98 ± 0,42 mm.
- El modelo logró segmentar los huesos cigomáticos en un promedio de 17.03 segundos, mientras que los dentistas tardaron aproximadamente 49.3 minutos en completar la misma tarea.
- La puntuación de Dice del modelo para las 10 exploraciones CBCT fue de 93,2 ± 1,3 %, mientras que la de los dentistas fue de 90,37 ± 3,32 %.
En la investigación por tanto afirma que el modelo basado en el aprendizaje profundo propuesto puede segmentar los huesos cigomáticos con gran precisión y eficiencia en comparación con los dentistas.
Según los autores, el modelo de segmentación automática podría generar un modelo 3D preciso para la planificación digital preoperatoria de la reconstrucción del cigoma, la cirugía orbitaria, la cirugía de implante cigomático y la ortodoncia.
En la discusión del ensayo, se destacó que el modelo desarrollado funciona mejor que los dentistas junior y senior, lo cual respalda su implementación en el software de planificación preoperatoria. Los huesos cigomáticos son esenciales en la morfología mediofacial, y contar con una herramienta que permita su segmentación precisa y rápida facilita la planificación preoperatoria de diversas intervenciones odontológicas y maxilofaciales.
Fuente: Journal of Dentistry. A deep learning-based automatic segmentation of zygomatic bones from cone-beam computed tomography images: A proof of concept. Author links open overlay panelBaoxin Tao a, Xinbo Yu a, Wenying Wang a, Haowei Wang a, Xiaojun Chen b, Feng Wang a, Yiqun Wu a- https://doi.org/10.1016/j.jdent.2023.104582
