Dragonfly軟件用于骨形態測量分析案例
文獻來源：
Xi, Ranhui, Mamoon Ali, Yilu Zhou, and Marco Tizzano. “A Reliable Deep-Learning-Based Method for Alveolar Bone Quantification Using a Murine Model of Periodontitis and Micro-Computed Tomography Imaging.” Journal of Dentistry 146 (July 2024): 105057. https://doi.org/10.1016/j.jdent.2024.105057.
牙周病是一種常見的口腔疾病，其特征是口腔微生物群與宿主免疫之間的不平衡。它影響著近50%的人口，成為成人牙齒脫落的主要原因之一，同時也是對口腔和整體健康構成重大威脅的主要口腔疾病。
目前，牙周病研究通過利用各種牙周炎誘導技術，如牙齒結扎、化學處理、細菌接種或免疫缺陷動物模型，來研究牙周炎的病因、進展、治療及相關機制。臨床附著喪失和放射學骨喪失是廣泛用于識別牙周病以及在臨床實踐中評估牙周骨喪失的指標。為了評估實驗動物（如大鼠、小鼠等）中牙周炎的進展，研究人員將牙槽骨喪失（ABL）作為重要的疾病指標。然而，由于牙槽骨解構的復雜性、個體差異以及來自牙根的干擾，量化ABL尤其具有挑戰性。
Dragonfly 在本研究中的應用
1. 數據處理與可視化
多格式支持： 作者利用 Dragonfly 處理和可視化了三種不同格式的 µCT 數據：DICOM、AIM 和 TIFF。這體現了 Dragonfly 強大的兼容性，方便研究者處理不同來源的數據。
三維重建與對齊： 原始的 µCT 數據是一系列的二維切片圖像。作者使用 Dragonfly 將這些切片重建為三維模型，并進行對齊操作，確保所有樣本具有統一的方向和左右對稱性。這對于后續的分析和比較至關重要。
數據預處理： 不同格式的數據可能需要不同的預處理。作者提到，DICOM 文件的體素顏色梯度被歸一化到 [0, 1] 范圍內，而 AIM 和 TIFF 文件則不需要歸一化。這表明 Dragonfly 提供了靈活的數據預處理工具，以適應不同數據類型的特點。
2. 深度學習模型訓練
ROI 手動標注： 作者使用 Dragonfly 的 3D ROI Painter 工具，在 µCT 圖像的每個冠狀切片上手動標注感興趣區域 (ROI)，將圖像分為背景、牙齒和骨骼三個類別。這些標注數據用于訓練深度學習模型。
U-Net 架構調整： 作者基于 U-Net 架構構建了深度學習模型，并通過調整網絡參數來減少過擬合，提高模型性能。Dragonfly 提供了自定義網絡架構和參數的功能，使研究者能夠根據具體任務優化模型。
數據增強： 為了提高模型的魯棒性（系統或算法對于異常情況或不良條件的抵抗能力和適應能力），作者在訓練過程中使用了數據增強技術，包括翻轉、旋轉、裁剪、縮放和亮度調整。這使得模型能夠更好地處理實際應用中可能遇到的數據變化。
迭代訓練與校準： 模型訓練是一個迭代過程。作者首先使用部分數據訓練初始模型，然后應用于新樣本進行初步分割。通過手動校準分割結果并將其作為新的訓練數據，作者進一步提高了模型的準確性。
3. 自動分割與分析
ROI 選擇與分割： 作者在 µCT 數據上繪制了一個 2 毫米球形 ROI，涵蓋了受牙周炎影響的牙槽骨區域。訓練好的模型能夠自動將 ROI 分割為背景、牙齒和骨骼。
骨形態測量分析： 作者使用 Dragonfly 的骨分析插件，對分割后的骨骼區域進行了定量分析，計算了骨體積 (BV)、骨密度 (BMD)、骨表面積和骨小梁厚度等參數。
高效的分析流程： 自動分割過程非常高效，對于 2 毫米球形 ROI，只需約 30 秒即可完成。這大大節省了研究者的時間和精力。
總結
本研究開發了一個可下載且易于應用的AI模型，使研究人員能夠評估包括骨體積（BV）、骨礦物質密度（BMD）和小梁骨厚度在內的指標，同時在測量小鼠牙槽骨時排除了牙齒的影響。
這項工作提供了一個創新、用戶友好的自動分割模型，該模型快速、準確且可靠，展示了人工智能（AI）在牙科領域的新潛在用途，對于口腔疾病的診斷、治療和預后評估具有巨大潛力。
本研究充分利用了 Dragonfly 軟件在圖像處理、可視化、深度學習模型訓練和骨形態測量分析等方面的功能。作者通過靈活運用這些工具，成功開發了一個高效、準確的牙槽骨自動分割模型，為牙周炎研究提供了新的分析手段。
Xi, Ranhui, Mamoon Ali, Yilu Zhou, and Marco Tizzano. “A Reliable Deep-Learning-Based Method for Alveolar Bone Quantification Using a Murine Model of Periodontitis and Micro-Computed Tomography Imaging.” Journal of Dentistry 146 (July 2024): 105057. https://doi.org/10.1016/j.jdent.2024.105057.
牙周病是一種常見的口腔疾病，其特征是口腔微生物群與宿主免疫之間的不平衡。它影響著近50%的人口，成為成人牙齒脫落的主要原因之一，同時也是對口腔和整體健康構成重大威脅的主要口腔疾病。
目前，牙周病研究通過利用各種牙周炎誘導技術，如牙齒結扎、化學處理、細菌接種或免疫缺陷動物模型，來研究牙周炎的病因、進展、治療及相關機制。臨床附著喪失和放射學骨喪失是廣泛用于識別牙周病以及在臨床實踐中評估牙周骨喪失的指標。為了評估實驗動物（如大鼠、小鼠等）中牙周炎的進展，研究人員將牙槽骨喪失（ABL）作為重要的疾病指標。然而，由于牙槽骨解構的復雜性、個體差異以及來自牙根的干擾，量化ABL尤其具有挑戰性。
Dragonfly 在本研究中的應用
1. 數據處理與可視化
多格式支持： 作者利用 Dragonfly 處理和可視化了三種不同格式的 µCT 數據：DICOM、AIM 和 TIFF。這體現了 Dragonfly 強大的兼容性，方便研究者處理不同來源的數據。
三維重建與對齊： 原始的 µCT 數據是一系列的二維切片圖像。作者使用 Dragonfly 將這些切片重建為三維模型，并進行對齊操作，確保所有樣本具有統一的方向和左右對稱性。這對于后續的分析和比較至關重要。
數據預處理： 不同格式的數據可能需要不同的預處理。作者提到，DICOM 文件的體素顏色梯度被歸一化到 [0, 1] 范圍內，而 AIM 和 TIFF 文件則不需要歸一化。這表明 Dragonfly 提供了靈活的數據預處理工具，以適應不同數據類型的特點。
2. 深度學習模型訓練
ROI 手動標注： 作者使用 Dragonfly 的 3D ROI Painter 工具，在 µCT 圖像的每個冠狀切片上手動標注感興趣區域 (ROI)，將圖像分為背景、牙齒和骨骼三個類別。這些標注數據用于訓練深度學習模型。
U-Net 架構調整： 作者基于 U-Net 架構構建了深度學習模型，并通過調整網絡參數來減少過擬合，提高模型性能。Dragonfly 提供了自定義網絡架構和參數的功能，使研究者能夠根據具體任務優化模型。
數據增強： 為了提高模型的魯棒性（系統或算法對于異常情況或不良條件的抵抗能力和適應能力），作者在訓練過程中使用了數據增強技術，包括翻轉、旋轉、裁剪、縮放和亮度調整。這使得模型能夠更好地處理實際應用中可能遇到的數據變化。
迭代訓練與校準： 模型訓練是一個迭代過程。作者首先使用部分數據訓練初始模型，然后應用于新樣本進行初步分割。通過手動校準分割結果并將其作為新的訓練數據，作者進一步提高了模型的準確性。
3. 自動分割與分析
ROI 選擇與分割： 作者在 µCT 數據上繪制了一個 2 毫米球形 ROI，涵蓋了受牙周炎影響的牙槽骨區域。訓練好的模型能夠自動將 ROI 分割為背景、牙齒和骨骼。
骨形態測量分析： 作者使用 Dragonfly 的骨分析插件，對分割后的骨骼區域進行了定量分析，計算了骨體積 (BV)、骨密度 (BMD)、骨表面積和骨小梁厚度等參數。
高效的分析流程： 自動分割過程非常高效，對于 2 毫米球形 ROI，只需約 30 秒即可完成。這大大節省了研究者的時間和精力。
總結
本研究開發了一個可下載且易于應用的AI模型，使研究人員能夠評估包括骨體積（BV）、骨礦物質密度（BMD）和小梁骨厚度在內的指標，同時在測量小鼠牙槽骨時排除了牙齒的影響。
這項工作提供了一個創新、用戶友好的自動分割模型，該模型快速、準確且可靠，展示了人工智能（AI）在牙科領域的新潛在用途，對于口腔疾病的診斷、治療和預后評估具有巨大潛力。
本研究充分利用了 Dragonfly 軟件在圖像處理、可視化、深度學習模型訓練和骨形態測量分析等方面的功能。作者通過靈活運用這些工具，成功開發了一個高效、準確的牙槽骨自動分割模型，為牙周炎研究提供了新的分析手段。
Copyright(C) 1998-2025 生物器材網 電話：021-64166852;13621656896 E-mail：info@bio-equip.com