Segmentation automatique des dents en imagerie maxillo-faciale Cone Beam CT

Harrison, Jérôme (2019). Segmentation automatique des dents en imagerie maxillo-faciale Cone Beam CT. Mémoire de maîtrise électronique, Montréal, École de technologie supérieure.

Prévisualisation	PDF Télécharger (14MB) | Prévisualisation
Prévisualisation	PDF Télécharger (1MB) | Prévisualisation

Résumé

La planification de traitement et la simulation chirurgicale en médecine dentaire nécessite l’obtention de modèles 3D personnalisés du système dentaire du patient. La représentation tridimensionnelle de ces structures, et plus particulièrement des dents, fournit une compréhension poussée des relations dento-maxillo-faciales, ce qui permet au clinicien de sélectionner un plan de traitement optimisé. L’obtention de ces modèles personnalisés se faisant à l’aide de modalités d’imagerie 3D, la segmentation des organes d’intérêt est une étape essentielle à l’obtention de modèles fiables et précis. Compte tenu de la complexité morphologique des dents, mais aussi des contraintes inhérentes à l’utilisation du Cone Beam CT, une automatisation du processus de segmentation est certainement souhaitable. En ce sens, l’objectif de ce travail implique la mise en place d’une méthode entièrement automatique de segmentation individuelle des dents à partir d’images maxillo-faciales CBCT.

Le processus de segmentation se divise en deux grandes étapes principales. Dans un premier temps, des sous-régions du volume 3D original sont extraites, afin de circonscrire chacune des dents au sein de volumes restreints. Cette étape se base sur l’identification automatique de repères anatomiques propres au complexe maxillo-facial. Entre autres, l’identification de la courbe décrivant la forme de l’arcade dentaire ainsi que le positionnement de plans séparant les dents sur l’arcade guident l’extraction de ces sous-volumes. Ces derniers sont ensuite utilisés de manière indépendante dans un algorithme de détection de la pulpe dentaire basé sur la reconstruction morphologique. La forme de la pulpe permet, dans un second temps, de tracer des contours significatifs de la dent via la propagation d’un front sous contraintes de gradient. Ces contours instancient un processus de segmentation par marche aléatoire afin de fournir un modèle pré-personnalisé de chaque dent. Le modèle surfacique subit ensuite une déformation par optimisation laplacienne, afin d’épouser correctement les frontières de la dent. Les modèles 3D résultants constituent une représentation fiable et précise des structures dentaires du patient. Ces modèles ont été validés à l’aide d’une base de données contenant 88 segmentations de référence, toutes produites par un expert. La performance globale de la segmentation se traduit par un indice de Dice (DICE) de 95,20±1,07 %, une différence relative de volume (RVD) de 2,57±3,21 % et une distance surfacique moyenne-symétrique (ASD) de 0,16±0,04 mm.

Les résultats de ce travail démontrent que la méthode fournit automatiquement des segmentations multi-organes précises à partir d’un examen 3D de la mâchoire du patient.

Titre traduit

Automatic tooth segmentation from maxillofacial Cone Beam CT images

Résumé traduit

Surgical treatment planning and virtual simulation in fields of dentistry such as orthodontics require personalized three-dimensional models of the patient’s dental anatomy. Such 3D representation, including teeth models, provide an understanding of dentomaxillofacial relationships and support clinicians in selecting and optimizing treatment plans. These models are obtained from 3D imaging modalities. Thus, segmentation remains an essential step in acquiring precise and reliable patient-specific models. However, in this context, purely automated segmentation remains a challenge : the complex morphology of teeth and the lack of contrast accuracy of Cone Beam CT being partially responsible. Therefore, this work aims to develop an automatic individual tooth segmentation method from maxillofacial Cone Beam CT images.

The segmentation process is divided in two main steps. First, sub-regions that roughly confine each tooth are extracted from the original 3D volume. Automatic identification of maxillofacial anatomical landmarks, such as dental arch curve and teeth separation planes, helps define the dental sub-volumes. The sub-volumes are then used independently in a pulp detection algorithm based on morphological reconstruction. Second, dental pulp shape acts as a starting point for a gradient-based level-set algorithm that outlines the outer shape on significant planes using the tooth’s main axis. These contours help define the inputs of a random walk segmentation algorithm with texture-based constraints. The random walk based algorithm provides prepersonalized 3D models of each tooth. The surface meshes are then iteratively refined using laplacian mesh optimization, resulting in precise and reliable 3D models of the patient’s dental anatomy. The quality of the automatic segmentation is quantitatively assessed using a database of 88 manual segmentations. The method’s performance can be globally summarized with the following metrics : a Dice index (DICE) of 95.20±1.07 %, a relative volume difference (RVD) of 2.57±3.21 % and an average symmetrical-surface distance of 0.16±0.04 mm.

The results of this study suggest that our method can provide multi-organs segmentations both accurately and automatically from a patient’s maxillofacial Cone Beam CT scan.

Type de document:	Mémoire ou thèse (Mémoire de maîtrise électronique)
Renseignements supplémentaires:	"Mémoire présenté à l'École de technologie supérieure comme exigence partielle à l'obtention de la maîtrise avec mémoire en génie de la production automatisée". Comprend des références bibliographiques (pages 155-161).
Mots-clés libres:	segmentation dentaire, Cone Beam CT, imagerie maxillo-faciale, modèles 3D
Directeur de mémoire/thèse:	Directeur de mémoire/thèse de Guise, Jacques A.
Codirecteur:	Codirecteur Schmittbuhl, Matthieu
Programme:	Maîtrise en ingénierie > Génie de la production automatisée
Date de dépôt:	04 oct. 2019 20:37
Dernière modification:	02 nov. 2022 13:57
URI:	https://espace.etsmtl.ca/id/eprint/2365

Gestion Actions (Identification requise)

Dernière vérification avant le dépôt