基于深度学习的头颅侧位片分析研究综述.docVIP

基于深度学习的头颅侧位片分析研究综述

1深度学习在头颅侧位片解剖标志点定位中的应用

头颅侧位片的解剖标志点定位是正畸、正颌外科诊断与治疗方案设计的核心基础，传统人工定位依赖医师的临床经验，存在定位误差大、效率低、可重复性差等问题，尤其在骨结构重叠、影像对比度不佳的病例中，不同医师间定位偏差可达2~3mm。随着深度学习技术在医学影像领域的渗透，基于卷积神经网络（CNN）的标志点自动定位方法逐步成为研究热点，其定位精度与效率已逐步接近甚至超越资深医师水平。

早期研究多采用回归型网络直接输出标志点坐标，例如2018年提出的基于VGG-16的端到端定位模型，通过对1200张标注头颅侧位片进行训练，在S点、N点等19个常用标志点上实现了平均2.12mm的定位误差，较传统基于灰度特征的定位方法精度提升37%。但回归型网络对局部纹理特征的感知能力有限，在髁突顶点、下颌角点等边缘模糊的标志点上误差明显偏高。为此，研究者逐步转向热图回归方法，通过网络输出标志点的概率热图，再通过高斯拟合获取亚像素级坐标，2021年提出的HRNet-based定位模型引入高分辨率特征保留机制，在2000例多中心数据集上实现了19个标志点平均1.47mm的定位误差，其中92%的标志点误差小于临床可接受的2mm阈值，满足常规正畸诊断需求。

针对儿童头颅侧位片骨结构未完全钙化、标志点辨识度低的问题，研究者提出了多任务联合训