二维与三维头影测量自动定点的研究进展

doi:10.7518/gjkq.2022006

国际口腔医学杂志 ›› 2022, Vol. 49 ›› Issue (1): 100-108.doi: 10.7518/gjkq.2022006

二维与三维头影测量自动定点的研究进展

刘力嘉¹(),毛婧¹,龙欢¹,蒲亚龙¹,王军²()

1. 口腔疾病研究国家重点实验室国家口腔疾病临床医学研究中心四川大学华西口腔医学院成都 610041
2. 口腔疾病研究国家重点实验室国家口腔疾病临床医学研究中心四川大学华西口腔医院正畸科成都 610041

收稿日期:2021-04-04 修回日期:2021-09-01 出版日期:2022-01-01 发布日期:2022-01-07
通讯作者: 王军
作者简介:刘力嘉,学士,Email：llj2186@163.com
基金资助:
国家自然科学基金(81771114);国家自然科学基金(81970967);成都市科技项目(2019-YF05-00349-SN)

Research progress on two-dimensional and three-dimensional cephalometric automatic landmarking

Liu Lijia¹(),Mao Jing¹,Long Huan¹,Pu Yalong¹,Wang Jun²()

1. State Key Laboratory of Oral Diseases & National Clinical Research Center for Oral Diseases & West China School of Stomatology, Sichuan University, Chengdu 610041, China;
2. State Key Laboratory of Oral Diseases & National Clinical Research Center for Oral Diseases & Dept. of Orthodontics, West China Hospital of Stomatology, Sichuan University, Chengdu 610041, China;

Received:2021-04-04 Revised:2021-09-01 Online:2022-01-01 Published:2022-01-07
Contact: Jun Wang
Supported by:
This study was supported by National Natural Science Foundation of China(81771114);This study was supported by National Natural Science Foundation of China(81970967);Chengdu Science and Technology Program(2019-YF05-00349-SN)

摘要/Abstract

摘要：

头影测量是正畸、正颌诊疗过程中不可或缺的分析手段。随着计算机辅助技术的发展,头影测量自动定点已经在二维头影测量中基本实现,并达到了较高的精确度,大大减轻了操作者的负担;而由于锥体束计算机断层扫描（CBCT）影像无放大失真、组织重叠等缺点,能精确定位头影测量分析的解剖标志,对于诊断和分析先天或后天的颅面部不对称畸形具有天然的优势,三维头影测量自动定点已经成为目前头影测量领域重要的研究方向。本文以不同的自动定点方法为分类,分别对二维和三维头影测量自动定点的研究进展作一综述,探讨不同自动定点方法的精确度,并对其未来发展进行展望。

关键词: 头影测量, X线, 三维成像, 自动定点, 锥形束计算机断层扫描

Abstract:

Cephalometry is an indispensable measurement of orthodontic and orthognathic diagnosis and treatment. With the development of computer-aided technology, automatic landmarking of cephalometry has been achieved in two-dimensional cephalometry with high precision, which greatly reduces the workload of operators. However, without geome-tric distortion, tissue overlap, and other defects, the cone beam computed tomography images can accurately locate the anatomical landmarks of cephalometric analysis. This analysis is helpful for the diagnosis and analysis of congenital or deve-lopmental craniomaxillofacial asymmetry. Nowadays, the automatic landmarking of three-dimensional cephalometry is an important research direction in the field of cephalometry. Based on the classification of different automatic fixed-point methods, this study reviews the progress of two- and three-dimensional cephalometric automatic landmarking. Furthermore, the study discusses the accuracy of different automatic landmarking methods and proposes future research directions.

Key words: cephalometry, X-ray, three-dimensional imaging, automatic landmarking, cone beam computed tomography

刘力嘉,毛婧,龙欢,蒲亚龙,王军. 二维与三维头影测量自动定点的研究进展[J]. 国际口腔医学杂志, 2022, 49(1): 100-108.

Liu Lijia,Mao Jing,Long Huan,Pu Yalong,Wang Jun. Research progress on two-dimensional and three-dimensional cephalometric automatic landmarking[J]. Int J Stomatol, 2022, 49(1): 100-108.

图/表 3

图1

表 1

二维头影测量自动定点收录文章摘要"

定点方法	参考文献	样本信息	样本量	标志点数量	自动定点误差
图像过滤与基于知识的标志点搜索	[11]	2名12岁和10岁少女的头颅X线片	测量样本：2幅X线片	36	成功定位23个标志点（具体误差不详）
	[12]	—	测量样本：5幅X线片	27	9个标志点平均误差2.06 mm（18%<1 mm,58%<2 mm）
	[13]	—	训练样本：3幅X线片测量样本：10幅X线片	19	平均误差：3.0 mm
	[14]	—	测量样本：10幅X线片	19	63%<1 mm,74%<2 mm
基于模型的方法	[17]	不同年龄、种族群体和错??畸形的不同质量的X线片	训练样本：63幅X线片测量样本：63幅X线片（与训练样本相同）	16	平均误差：（4.08±3.74）mm（35%<2 mm,13%<1 mm）
	[18]	不同年龄、种族群体和错??畸形的不同质量的X线片	训练样本：96幅X线片测量样本：96幅X线片（与训练样本相同）	43	平均误差：（2.48±1.66）mm
	[19]	年龄7.2~25.6岁进行正畸评估和治疗的患者	训练样本：60幅X线片测量样本：60幅X线片（与训练样本相同）	17	平均误差：1.68 mm
	[21]	不分年龄、性别、种族	训练样本：134幅X线片测量样本：134幅X线片（与训练样本相同）	18	平均误差为（1.84±1.24）mm
基于学习的方法	[10]	年龄7~76岁（平均27.0岁）	测量样本：400幅X线片	19	平均误差：1.2 mm
	[22]	—	训练样本：150幅X线片测量样本：250幅X线片	19	75.58%标志点平均误差<2 mm
	[23]	—	训练样本：1 731幅X线片测量样本：61幅X线片	8个角度 3个距离 1个比值	平均误差：0.185° 平均误差：0.147 mm 平均误差：0.25%
	[24]	包括具有固定矫治器、义齿等的患者图像;排除质量极差的图像	训练样本：1 028幅X线片测量样本：283幅X线片	80	38个标志点：YOLOv3准确性>SSD 40个标志点无明显差异
	[25]	包括具有固定矫治器、义齿等的患者图像;排除质量极差的图像	训练样本：1 028幅X线片测量样本：283幅X线片	80	YOLOv3平均误差：（1.46±2.97）mm 专家人工测量平均差值：（1.50±1.48）mm
混合方法	[27]	年龄6~60岁	训练样本：100幅X线片测量样本：100幅X线片	19	平均误差：（1.82±1.61）mm （平均径向误差19.19个像素）
混合方法	[28]	年龄6~60岁	训练样本：150幅X线片测量样本：100幅X线片	19	Lindner组的平均径向误差16.56个像素;Ibragimov组的平均径向误差18.51个像素;Vandaele组的平均径向误差17.79个像素

表 1

表 2

三维头影测量自动定点收录文章摘要"

定点方法	参考文献	样本信息	样本量	标志点数量	自动定点误差
基于知识的方法	[30]	不分年龄、性别和种族	测量样本：30幅CBCT	20	平均误差（1.88±1.10）mm
	[31]	不分年龄、性别和种族	测量样本：30幅CBCT	20	平均误差（2.01±1.23）mm
	[32]	不分年龄、性别和种族	测量样本：30幅CBCT	标志点21个长度28个角度18个比值7个	未显示最大平均误差2.63 mm 最大平均误差2.12° 最大平均误差0.03
基于模型的方法	[33]	女性,年龄37~74岁,健康白种人	测量样本：18幅CBCT	21	误差中位数1.99 mm
	[34]	年龄10~45岁,排除有严重骨折或严重骨骼异常的图像	训练样本：8幅CBCT 测量样本：20幅CBCT	14	平均误差3.40 mm
	[35-36]	不分年龄、性别和种族	训练样本：24幅CBCT 测量样本：24幅CBCT （与训练样本相同）	18	平均误差（3.64±1.43）mm 改进后平均误差（2.51±1.60）mm
基于学习的方法	[38]	1）41名非综合征性牙颌面畸形患者（CBCT）;2）30名正常人（多层螺旋CT）	训练样本：41幅CBCT、30幅多层螺旋CT 测量样本：41幅CBCT （与训练样本相同）	15	平均误差1.44 mm
	[39]	年龄16~54岁,不分性别和种族	训练样本：39幅CT 测量样本：39幅CT （与训练样本相同）	33	9个标志点平均误差<2 mm
	[40]	许多样本有如出血、肿瘤等病理变化和与年龄有关的变化	训练样本：201幅CT 测量样本：20幅CT	22	相对于专家A：平均误差（2.45±2.53）mm 相对于专家B：平均误差（3.49±2.88）mm
	[41]	矫治前后颅颌面部畸形患者	训练样本：20幅CT 测量样本：20幅CT （与训练样本相同）	4	热图和Softargmax回归方法：97%标志点平均误差<4 mm
	[42]	正常韩国成年人,平均年龄约24岁,不分性别	训练样本：20幅CT 测量样本：7幅CT	7	x轴：0.49 mm、y轴：1.02 mm、z轴：1.40 mm,平均误差1.80 mm
	[4]	1）26名正常韩国成年人;2）229名牙颌面畸形和错??畸形患者	CNN：1）中22幅CT用于训练,4幅CT用于测试;VAE和非线性回归：1）和2）中230幅CT用于训练,25幅CT用于测试	93	平均误差（3.63±1.41）mm
	[37,43]	1）77名非综合征性牙颌面畸形患者（CBCT） 2）30名正常人（多层螺旋CT）	训练样本：77幅CBCT,30幅多层螺旋CT 测量样本：77幅CBCT （与训练样本相同）	15	平均误差（1.10±0.71）mm
	[44]	有颅面部先天性出生缺陷、发育异常、颅颌面创伤、手术治疗的儿童和成人患者,不分男女	训练样本：50幅CBCT 测量样本：50幅CBCT （与训练样本相同）	9	8个标志点平均误差<0.5 mm,颏前点平均误差为1.54 mm

表 2

参考文献 44

[1]	Cardillo J, Sid-Ahmed MA. An image processing system for locating craniofacial landmarks[J]. IEEE Trans Med Imaging, 1994,13(2):275-289.
[2]	Medellín-Castillo HI, Govea-Valladares EH, Pérez-Guerrero CN, et al. The evaluation of a novel haptic-enabled virtual reality approach for computer-aided cephalometry[J]. Comput Methods Programs Bio-med, 2016,130:46-53.
[3]	Cohen AM, Ip HH, Linney AD. A preliminary study of computer recognition and identification of skeletal landmarks as a new method of cephalometric a-nalysis[J]. Br J Orthod, 1984,11(3):143-154.
[4]	Yun HS, Jang TJ, Lee SM, et al. Learning-based local-to-global landmark annotation for automatic 3D cephalometry[J]. Phys Med Biol, 2020,65(8):08-5018.
[5]	Douglas TS. Image processing for craniofacial landmark identification and measurement: a review of photogrammetry and cephalometry[J]. Comput Med Imaging Graph, 2004,28(7):401-409.
[6]	Tam WK, Lee HJ. Improving point correspondence in cephalograms by using a two-stage rectified point transform[J]. Comput Biol Med, 2015,65:114-123.
[7]	Kafieh R, Mehri A, Sadri S. Automatic landmark detection in cephalometry using a modified active sha-pe model with sub image matching[C]// 2007 Int Conf Mach Vis. Isalambad, Pakistan: IEEE, 2007: 73-78.
[8]	Leonardi R, Giordano D, Maiorana F, et al. Automatic cephalometric analysis[J]. Angle Orthod, 2008,78(1):145-151.
[9]	Vandaele R, Aceto J, Muller M, et al. Landmark detection in 2D bioimages for geometric morphome-trics: a multi-resolution tree-based approach[J]. Sci Rep, 2018,8(1):538.
[10]	Lindner C, Wang CW, Huang CT, et al. Fully automatic system for accurate localisation and analysis of cephalometric landmarks in lateral cephalograms[J]. Sci Rep, 2016,6:33581.
[11]	Lévy-Mandel AD, Venetsanopoulos AN, Tsotsos JK. Knowledge-based landmarking of cephalograms[J]. Comput Biomed Res, 1986,19(3):282-309.
[12]	Parthasarathy S, Nugent ST, Gregson PG, et al. Automatic landmarking of cephalograms[J]. Comput Biomed Res, 1989,22(3):248-269.
[13]	Davis DN, Forsyth D. Knowledge-based cephalometric analysis: a comparison with clinicians using interactive computer methods[J]. Comput Biomed Res, 1994,27(3):210-228.
[14]	Forsyth DB, Davis DN. Assessment of an automa-ted cephalometric analysis system[J]. Eur J Orthod, 1996,18(5):471-478.
[15]	Cootes TF, Taylor CJ, Cooper DH, et al. Active shape models-their training and application[J]. Comput Vis Image Underst, 1995,61(1):38-59.
[16]	Cootes TF, Taylor CJ. Statistical models of appea-rance for medical image analysis and computer vision[C]// Medical imaging 2001. San Diego, CA, USA: Image Processing, 2001,4322:236-248.
[17]	Hutton TJ, Cunningham S, Hammond P. An evaluation of active shape models for the automatic identification of cephalometric landmarks[J]. Eur J Orthod, 2000,22(5):499-508.
[18]	Rueda S, Alcañiz M. An approach for the automatic cephalometric landmark detection using mathematical morphology and active appearance models[J]. Med Image Comput Comput Assist Interv, 2006,9(Pt 1):159-166.
[19]	Vucinić P, Trpovski Z, Sćepan I. Automatic landmarking of cephalograms using active appearance models[J]. Eur J Orthod, 2010,32(3):233-241.
[20]	Kafieh R, Mehri A, Sadri S. Automatic landmark detection in cephalometry using a modified active sha-pe model with sub image matching[C]// 2007 International Conference on Machine Vision. December 28-29, 2007, Isalambad, Pakistan. IEEE, 2007: 73-78.
[21]	Kaur A, Singh C. Automatic cephalometric landmark detection using Zernike moments and templa-te matching[J]. SIViP, 2015,9(1):117-132.
[22]	Arık SÖ, Ibragimov B, Xing L. Fully automated quantitative cephalometry using convolutional neural networks[J]. J Med Imaging (Bellingham), 2017,4(1):014501.
[23]	Kunz F, Stellzig-Eisenhauer A, Zeman F, et al. Artificial intelligence in orthodontics: evaluation of a fully automated cephalometric analysis using a customized convolutional neural network[J]. J Orofac Orthop, 2020,81(1):52-68.
[24]	Park JH, Hwang HW, Moon JH, et al. Automated identification of cephalometric landmarks: part 1—comparisons between the latest deep-learning metho-ds YOLOV₃ and SSD[J]. Angle Orthod, 2019,89(6):903-909.
[25]	Hwang HW, Park JH, Moon JH, et al. Automated identification of cephalometric landmarks: part 2—might it be better than human[J]. Angle Orthod, 2020,90(1):69-76.
[26]	Dai XB, Zhao H, Liu TL, et al. Locating anatomical landmarks on 2D lateral cephalograms through adversarial encoder-decoder networks[J]. IEEE Acce-ss, 2019,7:132738-132747.
[27]	Wang CW, Huang CT, Hsieh MC, et al. Evaluation and comparison of anatomical landmark detection methods for cephalometric X-ray images: a grand challenge[J]. IEEE Trans Med Imaging, 2015,34(9):1890-1900.
[28]	Wang CW, Huang CT, Lee JH, et al. A benchmark for comparison of dental radiography analysis algorithms[J]. Med Image Anal, 2016,31:63-76.
[29]	Dot G, Rafflenbeul F, Arbotto M, et al. Accuracy and reliability of automatic three-dimensional ce-phalometric landmarking[J]. Int J Oral Maxillofac Surg, 2020,49(10):1367-1378.
[30]	Neelapu BC, Kharbanda OP, Sardana V, et al. Automatic localization of three-dimensional cephalome-tric landmarks on CBCT images by extracting symmetry features of the skull[J]. Dentomaxillofac Radiol, 2018,47(2):20170054.
[31]	Gupta A, Kharbanda OP, Sardana V, et al. A know-ledge-based algorithm for automatic detection of ce-phalometric landmarks on CBCT images[J]. Int J Comput Assist Radiol Surg, 2015,10(11):1737-1752.
[32]	Gupta A, Kharbanda OP, Sardana V, et al. Accuracy of 3D cephalometric measurements based on an automatic knowledge-based landmark detection algorithm[J]. Int J Comput Assist Radiol Surg, 2016,11(7):1297-1309.
[33]	Codari M, Caffini M, Tartaglia GM, et al. Computer-aided cephalometric landmark annotation for CBCT data[J]. Int J Comput Assist Radiol Surg, 2017,12(1):113-121.
[34]	Shahidi S, Bahrampour E, Soltanimehr E, et al. The accuracy of a designed software for automated loca-lization of craniofacial landmarks on CBCT images[J]. BMC Med Imaging, 2014,14:32.
[35]	Montúfar J, Romero M, Scougall-Vilchis RJ. Automatic 3-dimensional cephalometric landmarking ba-sed on active shape models in related projections[J]. Am J Orthod Dentofacial Orthop, 2018,153(3):449-458.
[36]	Montúfar J, Romero M, Scougall-Vilchis RJ. Hybrid approach for automatic cephalometric landmark annotation on cone-beam computed tomography volumes[J]. Am J Orthod Dentofacial Orthop, 2018,154(1):140-150.
[37]	Zhang J, Liu MX, Wang L, et al. Context-guided fully convolutional networks for joint craniomaxillofacial bone segmentation and landmark digitization[J]. Med Image Anal, 2020,60:101621.
[38]	Zhang J, Gao YZ, Wang L, et al. Automatic craniomaxillofacial landmark digitization via segmentation-guided partially-joint regression forest model and multiscale statistical features[J]. IEEE Trans Biomed Eng, 2016,63(9):1820-1829.
[39]	de Jong MA, Gül A, de Gijt JP, et al. Automated human skull landmarking with 2D Gabor wavelets[J]. Phys Med Biol, 2018,63(10):105011.
[40]	O’Neil AQ, Kascenas A, Henry J, et al. Attaining human-level performance with atlas location autocontext for anatomical landmark detection in 3D CT data[J]. Lect Notes Comput Sci, 2019: 470-484.
[41]	Lachinov D, Getmanskaya A, Turlapov V. Cephalometric landmark regression with convolutional neural networks on 3D computed tomography data[J]. Pattern Recognit Image Anal, 2020,30(3):512-522.
[42]	Lee SM, Kim HP, Jeon K, et al. Automatic 3D cephalometric annotation system using shadowed 2D image-based machine learning[J]. Phys Med Biol, 2019,64(5):055002.
[43]	Zhang J, Liu MX, Wang L, et al. Joint craniomaxillofacial bone segmentation and landmark digitization by context-guided fully convolutional networks[J]. Med Image Comput Comput Assist Interv, 2017,10434:720-728.
[44]	Torosdagli N, Liberton DK, Verma P, et al. Deep geodesic learning for segmentation and anatomical landmarking[J]. IEEE Trans Med Imaging, 2019,38(4):919-931.

Metrics

Viewed

Full text

Abstract

Cited

Shared

Discussed

二维与三维头影测量自动定点的研究进展

Research progress on two-dimensional and three-dimensional cephalometric automatic landmarking

RichHTML

PDF (PC)

摘要/Abstract

引用本文

使用本文

图/表 3

参考文献 44

相关文章 15

Metrics

本文评价

推荐阅读 10

[1]	刘盼明,李政泽,李军鹤,崔淑霞. 成人骨性Ⅱ类患者不同垂直骨面型上颌窦容积及口咽气道体积的锥形束计算机断层扫描研究[J]. 国际口腔医学杂志, 2023, 50(5): 528-537.
[2]	周梦琪,陈学鹏,傅柏平. 正畸治疗中牙槽骨骨开窗骨开裂的预防和应对策略[J]. 国际口腔医学杂志, 2021, 48(5): 600-608.
[3]	施丹妮,杨鑫,吴建勇. 锥形束CT三维头影测量参考坐标系的研究进展[J]. 国际口腔医学杂志, 2021, 48(4): 398-404.
[4]	伍春兰,唐华,陈军. 成人骨性Ⅱ类高角开牙合患者上下切牙区牙槽骨形态的三维研究[J]. 国际口腔医学杂志, 2021, 48(4): 426-432.
[5]	王立冬,马文,付帅,张长彬,崔庆赢,梁燕,黎明. 不同方法制作正颌手术数字化牙合板的研究及精确性分析[J]. 国际口腔医学杂志, 2021, 48(2): 156-164.
[6]	张紫涵,熊鑫,王军. 三维头影测量的研究现状和应用发展[J]. 国际口腔医学杂志, 2020, 47(6): 739-744.
[7]	王涛. 外科优先序列治疗——正颌外科的发展热点之一及其误区[J]. 国际口腔医学杂志, 2020, 47(5): 497-505.
[8]	刘晓华, 王恩博. 儿童埋伏多生牙拔除术锥形束计算机断层扫描影像学定位的应用进展[J]. 国际口腔医学杂志, 2018, 45(3): 295-300.
[9]	尹一佳, 冯捷, 罗梦奇, 韩向龙. 三维立体摄影技术自然头位校正方法的研究进展[J]. 国际口腔医学杂志, 2018, 45(3): 301-306.
[10]	谢成佳, 葛少华. 牙骨质撕裂的诊治进展[J]. 国际口腔医学杂志, 2017, 44(3): 315-319.
[11]	赵彦惠聂萍陶丽盛潇陈金东朱敏. 应用头影测量结合Müller试验评价肥胖对阻塞性睡眠呼吸暂停低通气综合征患者上气道可塌陷性的影响[J]. 国际口腔医学杂志, 2014, 41(4): 390-395.
[12]	张宋晶孙克勤. 锥形束CT及其在牙根纵裂早期诊断中的作用[J]. 国际口腔医学杂志, 2014, 41(4): 459-462.
[13]	兰静王传勇薛晶蒋丽李伟. 含纳米羟磷灰石的过氧化氢漂白剂对釉质表面的影响[J]. 国际口腔医学杂志, 2013, 40(4): 432-435.
[14]	林永盛张小慧张金婷. 甘肃省东乡族正常牙合成人的头影测量分析[J]. 国际口腔医学杂志, 2013, 40(3): 317-319.
[15]	敖同江, 袁小平杨四维黄跃. 替牙晚期安氏Ⅲ类错牙合畸形矫治后的髁突和下颌位置变化[J]. 国际口腔医学杂志, 2012, 39(4): 439-442.