본 연구의 목적은 동일한 GPU 메모리 용량 하에서, 공개 및 외부 CBCT 데이터셋에 있는 하치조관(mandibular canals, MCs) 분할을 위해 2D, 2.5D 및 3D CNN 기반 분할 네트워크와 3D 비전 트랜스포머 기반 분할 네트워크의 성능을 비교하는 것이었다. 또한 영상 크롭(image-cropping, IC) 기법과 분할 손실함수(segmentation loss functions)에 대해 절제(ablative) 연구를 수행하였다. 3D-UNet은 공개 테스트 데이터셋에서 2D 및 2.5D 분할 네트워크들에 비해 MC 분할에서 가장 높은 성능을 보였으며, JI, DSC, PR, RC의 지표에서 각각 0.569 ± 0.107, 0.719 ± 0.092, 0.664 ± 0.131, 0.812 ± 0.095를 달성하였다. 외부 테스트 데이터셋에서는 3D-UNet이 JI, DSC, PR, RC 각각에 대해 0.564 ± 0.092, 0.716 ± 0.081, 0.812 ± 0.087, 0.652 ± 0.103을 나타냈다. IC 기법과 다중 평면 Dice 손실(multi-planar Dice loss)은 하악소공(mental foramen)에서 하악관공(mandibular foramen)까지의 MC에 대해 경계 디테일과 구조적 연결성을 향상시켰다. 3D-UNet은 CBCT 체적 내에서 MC 전체에 대한 3D 체적 문맥 정보를 학습함으로써 MC 분할에서 우수한 성능을 입증하였다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.