钱军 马芮 曲妍 邓少纯 段瑶 左飞飞 王亚杰 毋育伟

    1.北京大学口腔医学院·口腔医院第二门诊部国家口腔疾病临床医学研究中心口腔数字化医疗技术和材料国家工程实验室，北京 100020；2.首都医科大学附属北京康复医院口腔科，北京 100144；3.北京朗视仪器股份有限公司，北京 100084

    口腔临床工作中常见的慢性根尖周炎在组织学上主要表现为炎症细胞浸润及牙槽骨破坏，在影像学上主要表现为根尖周出现透射影像。完善的临床检查及高分辨率的影像学检查是其治疗计划的重要诊断工具，在根尖片、曲面体层全景片和锥形束计算机断层扫描(cone-beam computed tomography，CBCT)上可检测到慢性根尖周炎。由于根尖片的成本低及辐射剂量小的特点，目前在临床中应用最广泛。但与传统的根尖片和全景片相比，CBCT不受拍摄区域牙槽骨及牙齿结构影像失真和叠加的影响，显著增加了根管间、根尖病变及周围解剖结构的三维可视化[1]。

    Meta 分析指出，根尖片的灵敏度和特异性(0.70、0.78)明显低于CBCT成像的灵敏度和特异性(0.95、0.88)[2]。近年来深度学习(deep learning)作为人工智能(artificial intelligence)的一个分支，在临床许多医学领域已经达到甚至超过临床专家的水平[3]。卷积神经网络(convolutional neural network)是其代表算法之一，它主要从图像中抽象出高度复杂的特征，进而构建一个自动识别模式的神经网络以进行自动判断和分类[4]。在口腔医学领域，卷积神经网络通过X 线片主要应用于检测龋齿病损部位、评估牙根形态及牙周骨质缺损等研究，但目前仍处于初级的阶段[2]。本文旨在探讨基于卷积神经网络算法的计算机辅助诊断系统在CBCT 影像中检测慢性根尖周炎的诊断应用。

    1 材料和方法

    1.1 样本选择

    收集北京大学口腔医院第二门诊部2017 年1月—2021 年12 月罹患单根牙慢性根尖周炎的CBCT影像，总计49例患者55个样本。

    纳入标准：1)均采用HiRes3D 型CBCT 仪器(北京朗视仪器股份有限公司)拍摄；2)技师的拍摄操作经过统一培训；3)设置相同的CBCT 拍摄参数：坐姿拍摄 ......