Adapting a Multi-Stage and Multi-Label Vertebra Segmentation Pipeline for Segmenting Teeth from CBCT images
No Thumbnail Available
URL
Journal Title
Journal ISSN
Volume Title
Perustieteiden korkeakoulu |
Master's thesis
Authors
Date
2024-08-19
Department
Major/Subject
Biomedical Engineering
Mcode
SCI3059
Degree programme
Master’s Programme in Life Science Technologies
Language
en
Pages
66+12
Series
Abstract
Automatic teeth segmentation plays a crucial role in digital dentistry as it enables automatization of workflows as well as improves treatment planning and communication with patients. However, achieving a fully automatic segmentation of teeth is difficult due to e.g. high presence of restorative material-based artefacts, anatomical variability, and similar densities and proximity of maxilla, mandible and teeth. This thesis proposes an automatic 33-class semantic teeth segmentation pipeline by adapting an open-source three-step vertebra segmentation pipeline from MONAI Label. The adapted vertebra pipeline was based on the convolutional neural network SegResNet. A total of 30 CBCT scans were selected and annotated for training (20 scans), validation (2 scans), and testing (8 scans). The dataset was heterogeneous containing implants, missing teeth, 3rd molars, and artefacts. Total processing times, segmentation accuracy (IoU), teeth classification accuracy, and memory consumption were used for evaluating the model performance. The final iteration of the pipeline achieved a teeth classification accuracy of 98.0 % and an average IoU of 84.6 % (SD 14.2 %). The total processing times were on average 41.52 s on the CPU and 4.32 s on the GPU for FOV 80.2 mm2 volume size which enables the pipeline to be used in a suitable time frame even without high hardware specifications.Automaattinen hampaiden segmentointi on merkittävässä roolissa digitaalisessa hammaslääketieteessä automatisoimalla työnkulkuja sekä parantamalla hoidonsuunnittelua ja vuorovaikutusta potilaiden kanssa. Täysin automaattinen hampaiden segmentointi on kuitenkin haasteellista johtuen esimerkiksi restoratiivisen materiaalin aiheutamista artefakteista, anatomian vaihtelevuudesta sekä ylä- ja alaleukaluun että hampaiden keskenään samanlaisista tiheyksistä ja läheisyydestä. Tämä diplomityö esittää 33-luokkaisen semanttisen hampaiden segmentointiputken muokkaamalla MONAI Labelin avoimen lähdekoodin kolmivaiheista selkänikamien segmentointiputkea. Muokattu pipeline käyttää SegRsNet konvoluutioneuroverkkoa. Kokonaisuudessaan 30 KKTT-kuvaa valittiin ja annotoitiin opetukseen (20 kuvaa), validointiin (2 kuvaa) ja testaukseen (8 kuvaa). Datasetti oli heterogeeninen sisältäen implantteja, puuttuvia hampaita ja viisauden hampaita sekä artefakteja. Mallin suoriutumista arvioitiin prosessointiajan, segmentointitarkden (IoU), luokittelutarkkuuden ja muistinkulutuksen avulla. Lopullinen segmentointiputken iteraatio saavutti 98.0 % hampaiden luokittelutarkkuuden ja keskiarvollisesti IoU oli 84.6 % (keskihajonta 14.2 %). Kokonaisprosessointiaika oli keskiarvollisesti 41.52 s CPU:lla ja 4.32 s GPU:lla keskikokoisille hammaskuville (FOV 80.2 mm2), mikä mahdollistaa pipelinen käytön sopivassa ajassa ilman korkeita laitteistovaatimuksia.Description
Supervisor
Van Leemput, KoenThesis advisor
Sundqvist, OskuKeywords
cone-beam computed tomography, deep learning, teeth segmentation, digital dentistry