Improvement of segmentation of upper and lower jaw computed tomography in patients with maxillofacial injuries at the orthopedic stage of rehabilitation

Abstract

Актуальність даної роботи була зумовлена зростанням кількості пацієнтів з пораненнями щелепно-лицевої ділянки, які потребують ортопедичної реабілітації. При цьому спеціалісти все більше покладаються на технологію штучного інтелекту (ШІ). Однією з його найважливіших переваг є його здатність швидко й точно аналізувати величезні обсяги даних, надаючи спеціалістам цінну інформацію для покращення процесів прийняття рішень для планування ортопедичної реабілітації пацієнтів з пораненнями щелепно-лицьової ділянки. Синергія між робочими процесами ШІ та сегментацією ком’ютерної томографії (КТ) має потенціал для підвищення точності та ефективності планування подальшого лікування та ведення пацієнта. Мета роботи – оцінити вдосконалений метод сегментації КТ зображень для пацієнтів із пораненнями щелепно-лицевої ділянки, що поєднує автоматичний алгоритм та ручну постобробку, з метою підвищення точності сегментації та зменшення часу обробки порівняно з традиційними методами. Матеріали та методи. Дослідження було проведено у 30 пацієнтів з пораненнями щелепно-лицевої ділянки на ортопедичному етапі реабілітації. В ході роботи було проведено порівняння методів сегментація КТ верхньої та нижньої щелеп: покроковий метод (еталонний), автоматична сегментація із ШІ та інноваційний метод (власна розробка). Обговорення. Інноваційний метод (власна розробка) метод сегментації КТ зображень для пацієнтів із пораненнями щелепно-лицевої ділянки поєднує автоматичний алгоритм ШІ та ручну постобробку. Саме таке поєднання сприяє підвищенню точності сегментації, яка була доведена за результатами метрик IoU та Dice. Вдосконалений метод продемонстрував вищу точність сегментації в порівняні з методом на основі ШІ та набагато швидший за Покрокову сегментацію. Інноваційний метод сегментації зарекомендував себе як нове рішення у вдосконаленні діагностики сегментації КТ, а саме для локалізації зображень з різною роздільною здатністю і зменшення часу обробки порівняно з загальновизнаними методами. В нашому дослідженні доведено ефективність вдосконаленого методу для пацієнтів із пораненнями щелепно-лицевої ділянки, обґрунтовано практичне застосування цього вдосконаленого методу автоматичної сегментації з ручною постобробкою в клінічній практиці. Висновки. Отже, вдосконалений метод сегментації КТ зображень є більш актуальним для пацієнтів із пораненнями щелепно-лицевої ділянки, тому що поєднує автоматичний алгоритм та ручну постобробку, підвищує точність сегментації та зменшує час обробки КТ в порівнянні з традиційними методами.

The relevance of this work was due to the increasing number of patients with maxillofacial injuries requiring orthopedic rehabilitation. At the same time, specialists are increasingly relying on artificial intelligence (AI) technology. One of its most important advantages is its ability to quickly and accurately analyze huge amounts of data, providing specialists with valuable information to improve decision-making processes for planning orthopedic rehabilitation for patients with maxillofacial injuries. The synergy between AI workflows and computed tomography (CT) segmentation has the potential to improve the accuracy and efficiency of further treatment planning and patient management. Objective. The aim of the study is to evaluate an improved method of CT image segmentation for patients with maxillofacial injuries, combining an automatic algorithm and manual post-processing, in order to improve segmentation accuracy and reduce processing time compared to traditional methods. Materials and Methods. The study was conducted in 30 patients with maxillofacial injuries at the orthopedic stage of rehabilitation. In the course of the study, we compared the methods of CT segmentation of the upper and lower jaws: a step-by-step method (reference), automatic segmentation with AI, and an innovative method (own development). This method of CT image segmentation for patients with maxillofacial injuries combines an automatic AI algorithm and manual post-processing. It is this combination that helps to improve segmentation accuracy, which has been proven by the results of the IoU and Dice metrics. Results. The improved method demonstrated higher localization accuracy and was much faster than Stepwise segmentation. The innovative segmentation method has proven to be a new solution for improving CT segmentation diagnostics, namely for localizing images with different resolutions and reducing processing time compared to conventional methods. Conclusion. Our study proved the effectiveness of the improved method for patients with maxillofacial injuries and substantiated the practical application of this improved method of automatic segmentation with manual post-processing in clinical practice. Thus, an improved method for segmenting CT images for patients with maxillofacial injuries, combining an automatic algorithm and manual post-processing, improves segmentation accuracy and reduces processing time compared to traditional methods.