HRNet для определения цефалометрических ориентиров

Краткое описание

Эта модель автоматизирует обнаружение 19 анатомических ориентиров на боковых цефалометрических рентгенограммах. В её основе лежит архитектура HRNet-W32, специально адаптированная для анализа изображений в медицинской диагностике.

Возможности модели

• Архитектура: HRNet-W32 (High-Resolution Network)

• Задача: Обнаружение 19 цефалометрических ориентиров

• Набор данных: Латеральные цефалограммы ISBI

• Размер входного изображения: 768×768 пикселей

• Выход: 19 пар координат (x, y) для каждого ориентира

• Размер модели: 331.1 МБ

Обнаруживаемые ориентиры:

• Турецкое седло (Sella turcica) - Центр гипофизарной ямки

• Назион (Nasion) - Носолобный шов

• Орбитальная точка (Orbitale) - Самая нижняя точка орбитальной полости

• Порион (Porion) - Самая высокая точка слухового прохода

• Субспинале (Точка А) - Самая глубокая срединная точка на верхней челюсти

• Супраментале (Точка Б) - Самая глубокая срединная точка на нижней челюсти

• Погонион (Pogonion) - Самая выступающая срединная точка подбородка

• Ментон (Menton) - Самая нижняя точка подбородочного симфиза

• Гнатион (Gnathion) - Середина между Погонионом и Ментоном

• Гонион (Gonion) - Угол челюсти

• Верхушка нижнего резца (Lower Incisor Tip) - Верхушка нижнего центрального резца

• Верхушка верхнего резца (Upper Incisor Tip) - Верхушка верхнего центрального резца

• Верхняя губа (Upper Lip) - Самая выступающая точка верхней губы

• Нижняя губа (Lower Lip) - Самая выступающая точка нижней губы

• Субназале (Subnasale) - Соединение между носом и верхней губой

• Мягкотканный погонион (Soft Tissue Pogonion) - Самая выступающая точка подбородка в профиль

• Задний носовой отросток (Posterior Nasal Spine) - Верхушка заднего носового отростка

• Передний носовой отросток (Anterior Nasal Spine) - Верхушка переднего носового отростка

• Сочленование (Articulare) - Соединение височной кости и нижней челюсти

Применение

Эта модель может быть использована для автоматизации цефалометрического анализа в ортодонтии и челюстно-лицевой хирургии, позволяя быстро и точно определять ключевые анатомические точки на рентгеновских снимках.

Пример использования Python API:

Производительность

• Средняя радиальная ошибка (MRE): ~1.2-1.6 мм

• Показатель успешного обнаружения (SDR@2mm): ~80-85%

Ссылки

cwlachap/hrnet-cephalometric-landmark-detection

Ссылки

https://https://huggingface.co/cwlachap/hrnet-cephalometric-landmark-detection