Объективная оценка погрешности показателей плотности при проведении конусно-лучевой компьютерной томографии в стоматологической практике
https://doi.org/10.33667/2078-5631-2022-7-65-68
Аннотация
Рентгенологический метод в современных реалиях является основным методом оценки состояния костной ткани. Конусно-лучевая компьютерная томография зарекомендовала себя в стоматологической практике надежным методом для оценки костной ткани зубочелюстной системы. В имплантологической стоматологии важным фактором, для получения хорошего результата, является качественная оценка структуры и морфологии костной ткани верхней и нижней челюстей. К сожалению, при проведении замеров оптической плотности зон интереса не всегда возможно получить правильные данные о состоянии костной ткани, кроме того зачастую стоматологам-имплантологам в своей практике приходится визуально оценивать качество костной плотности для проведения лечения, но мы понимаем, что это субъективно. Данная работа нацелена на определение погрешности при подсчете оптической плотности костной ткани программами Dicom-просмотра.
Об авторах
А. А. Долгалев
Ставропольский Государственный Медицинский Университет
Россия
Россия
Долгалев Александр Александрович, доктор медицинских наук, доцент, начальник центра инноваций и трансфера технологий, профессор кафедры стоматологии общей практики и детской стоматологии
г. Ставрополь
А. Б. Данаев
Ставропольский Государственный Медицинский Университет
Россия
Россия
Данаев Аслан Барадинович, ассистент кафедры онкологии и лучевой терапии с курсом ДПО
г. Ставрополь
Р. Д. Юсупов
Пятигорский медико-фармацевтический институт – филиал Волгоградского государственного медицинского университета
Россия
Россия
Юсупов Руслан Доккаевич, доктор медицинских наук, доцент, профессор кафедры клинической стоматологии с курсом хирургической стоматологии и ЧЛХ
г. Пятигорск
Ш. Д. Хоссаин
ФГАОУ ВО «Российский университет дружбы народов»
Россия
Россия
Хоссаин Шазмим Джахан, ассистент кафедры челюстно-лицевой хирургии и хирургической стоматологии стоматологии
г. Москва
Р. Г. Габриелян
Ставропольский Государственный Медицинский Университет
Россия
Россия
Габриелян Рузанна Григорьевна, ассистент кафедры онкологии и лучевой терапии с курсом ДПО
г. Ставрополь
К. Е. Золотаев
Ставропольский Государственный Медицинский Университет
Россия
Россия
Золотаев Кирилл Евгеньевич, соискатель кафедры стоматологии общей практики и детской стоматологии
г. Ставрополь
Список литературы
1. Наумович С. С., Наумович С. А. Конусно-лучевая компьютерная томография: современные возможности и перспективы применения в стоматологии// Современная стоматология. – 2012. – № 2 (55).
2. L. Feldkamp, L. Davis, and J. Kress. Practical cone-beam al-gorithm. Journal of the Optical Society of America, 1984; 1(6):612–619. https://www.researchgate.net/publication/287772957_Practical_Cone-Beam_Algorithm.
3. Scarfe, William C., and Allan G. Farman. «What is cone-beam CT and how does it work?» Dental Clinics of North America. 2008; 52(4): 707-730. https://pubmed.ncbi.nlm.nih.gov/18805225.
4. Марусина М.Я., Казначеева А.О. Современные виды томографии / Учебное пособие. – СПб: СПБГУ ИТМО, 2006. – 132 с. – 100 экз.
5. Sidky EY, Pan X. Image reconstruction in circular cone-beam computed tomography byconstrained, total-variation minimization. Phys. Med. Biol 2008; vol. 53:4777–4807. https://pubmed.ncbi.nlm.nih.gov/18701771.
6. Patsrisawat T, Gacic A, Franchetti F, Puschel M & Moura JMF in Proceedings. (ICASSP ‘05). IEEE International Conference on Acoustics, Speech, and Signal Processing, 2005 v/153–v/156 (Philadelphia, PA, USA, 2005).
7. Hosny A, Parmar C, Quackenbush J, Schwartz LH, Aerts HJWL, Biology C, et al. Artificial intelligence in radiology. Nat Rev Cancer. 2018;18(8):500–10. https://pubmed.ncbi.nlm.nih.gov/29777175.
8. Freitas DQ, Fontenele RC, Nascimento EHL, Vasconcelos TV, Noujeim M. Influence of acquisition parameters on the magnitude of cone beam computed tomography artifacts. Dentomaxillofac Radiol. 2018 Dec;47(8):20180151. https://pubmed.ncbi.nlm.nih.gov/29916722.
9. Bezerra ISQ, Neves FS, Vasconcelos TV, Ambrosano GMB, Freitas DQ. Influence of the artefact reduction algorithm of Picasso Trio КЛКТ system on the diagnosis of vertical root fractures in teeth with metal posts. Dentomaxillofac Radiol 2015; 44:1-8.
10. Leite, A. F., Vasconcelos, K. D. F., Willems, H., & Jacobs, R. Radiomics and Machine Learning in Oral Healthcare. PROTEOMICS–Clinical Applications, 2020, p. 1900040.
11. Zhang Y, Yue N, Su MY, Liu B, Ding Y, Zhou Y, Wang H, Kuang Y, Nie K. Improving CBCT quality to CT level using deep learning with generative adversarial network. Med Phys. 2021 Jun;48(6):2816-2826. https://pubmed.ncbi.nlm.nih.gov/33259647
12. Chen W, Li Y, Yuan N, Qi J, Dyer BA, Sensoy L, Benedict SH, Shang L, Rao S, Rong Y. Clinical Enhancement in AI-Based Post-processed Fast-Scan Low-Dose CBCT for Head and Neck Adaptive Radiotherapy. Front Artif Intell. 2021 Feb 11;3:614384. https://pubmed.ncbi.nlm.nih.gov/33733226.
Рецензия
Для цитирования:
Долгалев А.А., Данаев А.Б., Юсупов Р.Д., Хоссаин Ш.Д., Габриелян Р.Г., Золотаев К.Е. Объективная оценка погрешности показателей плотности при проведении конусно-лучевой компьютерной томографии в стоматологической практике. Медицинский алфавит. 2022;(7):65-68. https://doi.org/10.33667/2078-5631-2022-7-65-68
For citation:
Dolgalev A.A., Danaev A.B., Yusupov R.D., Hossain Sh.J., Gabrielyan R.G., Zolotaev K.E. Objective assessment of measurement error in significant cone-beam computed tomography in dental practice. Medical alphabet. 2022;(7):65-68. (In Russ.) https://doi.org/10.33667/2078-5631-2022-7-65-68
Просмотров:
355
Послать статью по эл. почте 