ИИ-планирование ортодонтического лечения
Цефалометрический анализ — измерение 20–80 анатомических точек (landmarks) на боковом ТРГ-снимке — занимает у врача 20–40 минут вручную. Ошибка интра- и интерэкзаменатора: 1.5–3 мм для мягкотканных точек. ИИ-детекция landmarks выполняет ту же работу за 3–5 секунд с воспроизводимой точностью.
Цефалометрический анализ: детекция landmark-точек
Задача: регрессия координат (x, y) для каждой из N анатомических точек на рентгеновском изображении. Стандартные наборы: 19 точек (Steiner), 21 точка (Tweed), до 80 (расширенные протоколы).
Архитектуры для landmark detection:
- Heatmap regression (наиболее точный подход): модель предсказывает gaussian heatmap для каждой точки, argmax heatmap = координата. HRNet (High-Resolution Net) держит детали на высоком разрешении через parallel branches.
- Direct regression через ViT или ResNet с regression head — проще, но точность ниже на 0.5–1.5 мм.
- Iterative refinement: грубая детекция → crop вокруг точки → уточнение на высоком разрешении.
# HRNet heatmap regression для landmark detection
import torch
import torch.nn.functional as F
def predict_landmarks(model, image_tensor, image_size=512, num_landmarks=19):
with torch.no_grad():
heatmaps = model(image_tensor) # (1, N_landmarks, H/4, W/4)
heatmaps = F.interpolate(heatmaps, size=(image_size, image_size),
mode='bilinear', align_corners=False)
landmarks = []
for i in range(num_landmarks):
hm = heatmaps[0, i]
idx = hm.argmax()
y, x = divmod(idx.item(), image_size)
landmarks.append((x, y))
return landmarks
Точность на тестовой выборке (CephAdolescent dataset, 400 ТРГ): среднее отклонение от врачебной разметки — 1.4 мм (vs 1.8 мм межэкзаменаторская вариабельность врачей). На 8 ключевых точках (Sella, Nasion, A-point, B-point) — 0.9 мм.
Автоматический расчёт цефалометрических углов и индексов
После детекции landmarks — автоматический расчёт: угол ANB (норма 2°±2°), SNA, SNB, IMPA (наклон нижних резцов), Wits апрейзал. Это прямая аналитическая геометрия поверх координат точек.
Результат: автоматически сформированный отчёт с числовыми значениями и отклонением от нормы. Врач видит готовый анализ и только верифицирует точки, вызывающие сомнение.
Предсказание результатов лечения (Treatment Outcome Prediction)
Это следующий уровень — прогноз мягкотканных изменений при ортогнатической хирургии. Модель берёт план остеотомии (смещение верхней/нижней челюсти в мм) и предсказывает изменения мягких тканей лица.
Подход: GAN или диффузионная модель, обученная на paired данных «до операции + план → после операции». Датасет: 500–1000 пар ТРГ/3D-сканов с результатами через 6–12 месяцев. На таком объёме диффузионная модель (с conditioning на планируемое смещение) даёт визуально убедительные результаты, хотя количественная точность предсказания носа и губ — ±2–4 мм.
Integration с 3D планированием
Современная ортогнатика работает в 3D: CBCT-скан (КЛКТ) + сканы зубов + фото. Инструменты: Dolphin Imaging, ProPlan CMF. ИИ-слой поверх: автоматическая сегментация зубов и костных структур в КЛКТ через nnU-Net, автоматическое совмещение КЛКТ с оптическим сканом зубов (ICP registration).
Сроки
Модуль цефалометрического анализа (TRG + landmarks + расчёты): 8–12 недель. Предсказание мягкотканных изменений: дополнительно 8–14 недель. Стоимость зависит от наличия обучающих данных и требований к интеграции.