目的:通过训练生成对抗网络（generative adversarial network，GAN）模型，构建一种包括跨中线上颌骨缺损的虚拟重建方法，以期为临床提供参考。方法:收集2015年6月至2022年6月于四川大学华西口腔医院影像科就诊的汉族成年口腔疾病患者CT资料，选择100例健康上颌骨及15例上颌骨缺损（5例单纯单侧缺损、5例单侧缺损并累及颧骨、5例跨中线缺损）CT数据。应用Mimics软件在健康上颌骨数据及其附近区域创建球型模体并模拟上颌骨缺损，分别为单纯单侧缺损、单侧缺损并累及颧骨、跨中线缺损，以原始图像为虚拟重建的正确参照；人工缺损与正确参照配对后分为训练集（70例）、验证集（20例）以及测试集（10例），前两者用于训练GAN模型，测试集用于评估GAN性能。15例上颌骨缺损CT数据导入训练完成后的GAN模型中进行虚拟重建，对单侧缺损分别采取镜像和基于GAN的方式进行虚拟重建，而对跨中线缺损仅采取基于GAN的方式进行虚拟重建，重建结果分为镜像重建组（10例）、单侧缺损GAN重建组（10例）和跨中线缺损GAN重建组（5例）。对测试集、镜像重建组、单侧缺损GAN重建组进行定量评价，定量指标为Dice相似性系数（Dice similarity coefficient，DSC）和95%豪斯道夫距离（95% Hausdorff distance，HD95），对各组结果进行单因素方差分析和Tukey检验。对测试集、镜像重建组、单侧缺损GAN重建组和跨中线缺损GAN重建组进行定性评分，对各组总分进行Kruskal-Wallis检验和事后检验（Bonferroni校正法）。结果:测试集、镜像重建组、单侧缺损GAN重建组DCS（分别为0.891±0.049、0.721±0.047、0.778±0.057）和HD95［分别为（3.58±1.51）、（5.19±1.38）、（4.51±1.10）mm］的总体差异均有统计学意义（ F=28.08， P<0.001； F=3.62， P=0.041）；其中，测试集DSC显著大于镜像重建组（ P<0.05），测试集HD95显著小于镜像重建组（ P<0.05）。测试集、镜像重建组、单侧缺损GAN重建组、跨中线缺损GAN重建组定性总分［分别为8（1）、6（2）、6（2）和4（2）分］的总体差异有统计学意义（ H=18.13， P<0.001）；两两比较显示，测试集总分显著高于镜像重建组（ P<0.05）。 结论:本项研究提出的基于GAN的虚拟重建方法，其单侧缺损虚拟重建效果优于镜像技术，亦可实现跨中线上颌骨缺损的虚拟重建。

神经网络（计算机）;假体设计;计算机辅助设计;颌面假体;深度学习;上颌骨缺损

熊宇韬;徐蕾;曾维;刘灿;郭际香;汤炜

四川大学华西口腔医院口腔颌面外科　口腔疾病研究国家重点实验室　国家口腔疾病临床医学研究中心，成都　610041;四川大学计算机学院机器学习实验室，成都　610041

中华口腔医学杂志

[1]熊宇韬;徐蕾;曾维;刘灿;郭际香;汤炜-.基于深度学习的上颌骨缺损虚拟重建与临床验证)[J].中华口腔医学杂志,2022(10):1029-1035

斯道夫

上颌骨缺损,虚拟重建,临床验证,生成对抗网络,generative,adversarial,network,GAN,跨中,中线,重建方法,四川大学,华西,西口,口腔医院,影像科,汉族,口腔疾病,颧骨,Mimics,近区,球型,模体,原始图像,训练集,验证集,测试集,数据导入,镜像重建,定量评价,定量指标,Dice,相似性系数,similarity,coefficient,DSC,豪斯,Hausdorff,distance,HD95,单因素方差分析,Tukey,Kruskal,Wallis,Bonferroni,正法,DCS,本项,假体设计,计算机辅助设计,颌面假体

0.215768