Riassunto analitico
Dental implant placement within the jawbone is a routinely executed surgical procedure, which can become complex due to the local presence of the Inferior Alveolar Nerve (IAN). In particular, the nerve is oftentimes in close relation to the roots of molars, and its position must thus be carefully detailed before the surgical removal. As avoiding contact with the IAN is a primary concern during these operations, segmentation plays a key role in surgical preparations.\\ Unfortunately, 3D manual segmentation requires a huge amount of time to be carried out, thus perfect anatomical annotations are usually overlooked in favor of fast executions. The de facto standard in radiology medical centers for dentistry and maxilla facial purposes is based on sparse annotations, which can be obtained from 2D images in a relatively small amount of time. This type of annotation fails to identify a considerable amount of inner information about the IAN position and the bone structure. Convolutional Neural Networks are known to provide amazing results in the segmentation task and could provide to medical operators an automatic and precise way to detect the IAN in patients, allow them to be more accurate during the operations where this information is critical. This type of network requires a large amount of labeled data to reach a good level of accuracy while in the medical field is hard and expensive to acquire, meanwhile a good amount of unlabeled data is available.\\ In this work we study and analyze the effectiveness of some of the most recent proposal made in the literature for segmentation in the medical imaging field, some of which have recently obtained state-of-the-art results for other similar tasks. Even if we do not reach the same level of accuracy we expected, we show that we were able to improve the speed of the training process and the performance of the network, while keeping the same level of accuracy of the original network.
|
Abstract
L'inserimento di impianti dentali nella mascella è una routine chirurgica
abbastanza comune, ma è resa non banale dalla presenza del nervo alveolare
inferiore. Questo nervo è posizionato in prossimità delle radici dei molari,
e la sua posizione deve essere accuratamente delineata prima di poter eseguire
l'operazione voluta, in quanto danneggiare tale nervo potrebbe essere causa di
gravi conseguenze per il paziente, come ad esempio la perdita della
sensibilità o la paralisi di tale zona. Poiché evitare il contatto con questo
nervo è essenziale, un'accurata segmentazione di tale nervo è un requisito
chiave. Sfortunatamente, una segmentazione 3D manuale richiede un'enorme
quantità di tempo, per questo motivo solitamente si preferiscono metodi meno
precisi ma più veloci e per questo motivo lo standard de-facto per i dentisti è
basato sull'effettuare una annotazione sparsa, ottenuta da immagini 2D. Questo
tipo di annotazione fallisce nell'identificare una buona parte delle
informazioni che riguardano la posizione del nervo e la struttura ossea del
canale in cui esso è contenuto.
Le reti neurali convolutive hanno dimostrato di poter ottenere risultati ottimi
nell'effettuare la segmentazione di immagini e in questo caso potrebbe offrire
ai medici un metodo automatico, preciso e veloce di delineare il nervo alveolare
inferiore, essenziale soprattutto durante le operazioni più critiche. Questo
tipo di reti neurali richiede una quantità enorme di dati annotati per poter
imparare a svolgere correttamente questo tipo di task con una accuratezza
soddisfacente. In ambito medico, è possibile ottenere una decente quantità di
immagini, ma non di annotazioni. Per questo motivo è necessario progettare
accuratamente i metodi utilizzati durante il design e l'allenamento di tali reti
in modo da superare questa mancanza senza perdere in prestazioni. In questa
tesi, diverse tecniche molto recenti vengono provate ed analizzate, per
studiarne l'efficacia in questo specifico lavoro. Alcuni metodi che recentemente
hanno avuto molto successo nell'ambito della computer vision, non hanno avuto
gli stessi risultati sperati in questo specifico caso, mentre altri approcci si
sono rivelati molto efficaci nell'ottimizzare e velocizzare il processo di
training della rete, senza perdere accuratezza nella segmentazione.
|