Semiautomatic estimate of cephalometric landmarks in three dimensional Cone Beam CT

Introduction: Cephalometric analysis is an important tool that helps clinicians in diagnosis, treatment planning and outcome evaluation in both orthodontics and craniofacial surgery. Traditionally, cephalometric analyses have been performed on 2D cephalograms, which only allows a bi-dimensional evaluation of craniofacial morphology. With the advent of new three-dimensional radiographic imaging techniques, like CT and Cone Beam CT (CBCT), the three-dimensional reconstruction of the skull become easy to access. In particular CBCT has led the 3D cephalometric analysis to become a normal procedure that allows clinicians to perform better diagnosis and treatments, due to its advantages in term of cost, radiation dose and image quality. Currently, three-dimensional cephalometric analysis is emerging due to the improvement in the evaluation of three-dimensional morphology of patients. Like the two-dimensional cephalometric analysis it is based on the estimation and positioning of a set of fiducial points that lie on important anatomical structures of the skull. Nowadays the most common way to identify landmarks in three-dimensional cephalometry is the manual point-picking which could be performed on two-dimensional slices extracted from the volumetric CBCT data or on a three-dimensional surface rendering. This manual approach is limited in accuracy and repeatability due to the difference in intra and inter-personal landmark identification. In the last few years, to reduce this dependence on users experiences and subjectivity and make this analysis more accurate, several attempts at automatism have been performed. In this context, this work presents a semi-automatic method that can provide to estimate the location of some cephalometric landmarks that lie on the skull. The proposed method allows, after a brief initialization step, to segment the hard tissues of the patient’s head and estimates the location of a chosen set of cephalometric landmarks in a completely automatic way. Methods and experimental protocol: Starting from CBCT images of the head, the method is composed of two stages: the first one consisting in the skull segmentation and the second one in the estimation of 9 cephalometric landmarks using image registration techniques. These 9 landmarks are: Sella turcica (S), Nasion (N), right and left Orbitale (rOr and lOr), Anterior Nasal Spine (ANS), Pogonion (Pg), right and left Gonion (rGo and lGo) and Menton (Me). The proposed algorithm includes a brief manual initialization step, in which the user is required to set an inferior limit to the volume to be analysed selecting the slice in which lies the most inferior point of the mandibular bone. In this way only the slices above the selected one are considered. After this initialization step, to improve the accuracy of tissue segmentation procedures, a digital three-dimensional low pass Gaussian filtering is performed as a post-acquisition procedure that allows to reduce the noise that affects the image under consideration. Once the volume is curtailed and then filtered, the hard tissues contained in the volume of interest are automatically segmented. To automatically find the unique threshold values that allows to isolate bones and teeth from the rest of the volume structures, the proposed algorithm selects a subset of the original volume equal to its half and formed of axial slices selected once every two through it. In each slice of the selected subset the tissues are divided into 4 main categories, one representing air, two representing soft-tissues and one representing hard tissues. The classification is performed using a k-means clustering approach which allows to automatically detect these 4 main types of structures contained in each slice. After the clustering process only the structures belonging to the cluster that represents hard tissues are maintained and all the intensity values belonging to them are collected in order to find their lowest value. In this way the lowest intensity value classified as hard tissue is detected for each slice of the subset volume. These values allow to define the global threshold value which is defined as the 10th percentile of the population of the minimum grey values classified as bones or teeth that were detected for each slice. Then, when the desired threshold value is obtained it is possible to proceed with the thresholding of the entire volume that needs to be segmented. The outcome of this segmentation step is then refined by removing all the residual volumes of the segmentation process, caused by the presence of noise or artifacts, that are characterized by having small volume and by not belonging to the craniofacial complex. After the skull segmentation process, the proposed algorithm registers a reference skull, that was previously annotated by an expert user and segmented, to the patient’s skull in order to estimate the position of the 9 chosen cephalometric landmarks on it. In particular, it was decided to opt for an intensity based registration in order to preserve the informations about the intensity values that characterize the different cranial structures. In the proposed method the registration process aims to find a suitable transformation such that the transformed reference volume becomes similar to the patient’s one. To this aim the first step implemented is a global affine registration of the reference subject skull structures to the patient’s ones. Subsequently the outcome of the registration process, a geometric affine transformation, is applied to reference landmarks coordinates allowing to estimate patient’s landmark arrangement. After obtaining the new positions of the chosen cephalometric landmarks, that approximate the arrangement of landmarks on the patient’s skull, to increase the accuracy of the annotation process it was decided to implement a local registration step dedicated to those markers that are especially hard to be located. To do this a new local intensity-based affine registration process, which has the same parameters of the global intensity based registration process, is implemented. After this last step all the locations of the chosen cephalometric landmarks are estimated, so the annotation process can be considered at its end. The coordinates of the 9 points represents the output information of the proposed localization method. The proposed algorithm, completely developed in Matlab (The MathWorks Inc., Natick, Massachusetts, USA) was tested on 21 subjects. All the selected subjects are adult healthy women, aged from 37 to 74 years, who have teeth in both dental arches. To evaluate the quality of the annotations performed in this study, it was decided to ask to an expert user to manually annotate all the involved skulls. In this way, for each subject, the expected location of the 9 cephalometric landmarks could be defined. After obtaining this ground-truth locations, to assess the annotation quality performed by the proposed algorithm 3 different types of evaluations have been performed. First, the evaluation of the euclidean distance, expressed in mm, between the position of each manually annotated landmark and its corresponding one, estimated by the proposed algorithm, was performed in order to quantify the localization error made during the automatic annotation process. In addiction, some anthropometric measurements, calculated with the estimated coordinates of the cephalometric landmarks, were compared with their respective standards reported in literature. Finally, in order to evaluate the agreement between the proposed annotation method and the manual one, a comparison between different linear measures was performed. Results: The overall mean value of the localization error, calculated on every landmark considered in this work, is equal to 4.4 mm with a standard deviation of 3.1 mm. These distances vary widely among different landmarks. In particular, among the calculated estimation errors the lowest values are reported for the right (2.7 mm±1.4 mm) and left (2.8 mm±1.4 mm) Orbitale landmarks, whereas higher values are observed for landmarks belonging to the mandible bone, the highest ones corresponding to the right (6.8 mm ± 3.3 mm) and left (8.5 mm ± 4.5 mm) Gonia. Regarding to the comparison with the anthropometric literature, the obtained linear measures are comparable to their corresponding standards except for the measurement that involves mandibular landmarks. Moreover, comparing the differences between linear measures calculated on the manually annotated landmarks and on the estimated ones, distances which do not involve landmarks that lie on the mandibular bone are affected by lower bias and have no significant difference (p > 0.05). The presence of greater differences between measures that involve at least one mandibular landmark can be justified considering the larger annotation error that affect the estimation of their positioning. Conclusions: In this work a semi-automatic method for the estimation of landmark positions for three-dimensional cephalometry from CBCT data is presented. Currently this method does not allow to automatically identify the location of the chosen cephalometric landmarks with the accuracy required for clinical examination, but can be used to make an initial estimation of landmarks positions that could help clinicians in the delimitation of skull regions wherein landmarks are expected to lie. Despite of this limits in future it could be improved to allow the user to identify landmarks in a completely automatic way.

Introduzione: L’analisi cefalometrica è uno strumento diagnostico importante che permette di aiutare gli esperti clinici, siano essi dentisti o chirurghi maxillo-facciali, nella diagnosi, nella pianificazione e valutazione dei risultati dei trattamenti clinici apportati al paziente. Tradizionalmente l’analisi cefalometrica è effettuata attraverso l’uso di lastre cefalometriche che, per loro natura forniscono la rappresentazione bidimenionale dell’assetto delle strutture craniofacciali, imponendo all’operatore di immaginare l’assetto tridimensionale di tali strutture. Con lo sviluppo di nuove tecnologie radiografiche quali la CT e la Cone Beam CT è stato possibile il fornire al personale medico immagini che ben rappresentano l’assetto tridimensionale delle strutture di interesse. In particolare lo sviluppo di scanner CBCT, che permettono di ottenere immagini tridimensionali del distretto craniofacciale esponendo il paziente a una dose di radiazioni contenuta e limitando i costi sostenuti da parte dei clinici, ha permesso di effettuare esami cefalometrici tridimensionali come esami routinari. Attualmente infatti la cefalometria 3D sta emergendo in campo clinico grazie alle possibilità che offre in ambito diagnostico, permettendo di effettuare valutazioni dello stato del paziente molto più accurate rispetto a quanto possibile mediante le tradizionali lastre cefalometriche. Analogamente all’esame cefalometrico bidimensionale, la cefalometria 3D si basa sulla stima e la posizione di una serie di punti fiduciari che giacciono su strutture anatomiche del cranio. Attualmente la modalità di annotazione più diffusa è quella manuale, dove l’utente definisce la posizione di ogni punto fiduciario visionando parallelamente una serie di immagini bidimensionali estratte dal volume CBCT oppure visionando una ricostruzione tridimensionale della superficie cranica. Tale approccio è però dipendete dalla soggettività e dall’esperienza dell’utente, quindi è limitato sia in accuratezza che ripetibilità. Negli ultimi anni, con lo scopo di ridurre la dipendenza dall’operatore del processo di annotazione dei punti fiduciari necessari per l’analisi cefalometrica sono stati proposti alcuni tentativi di automatizzazione di tale processo. In questo contesto il lavoro seguente presenta un metodo semi-automatico che permette di effettuare una stima delle posizioni di una serie di punti fiduciari che giacciono sulle strutture craniche. Tale metodo permette, dopo una breve inizializzazione manuale, di segmentare i tessuti duri presenti nel file CBCT e di stimare le posizioni dei landmark di interesse in modo automatico. Metodi e Protocollo: Partendo da file CBCT della testa del paziente esaminato, il metodo si articola in due diverse fasi: la prima consistente nella segmentazione delle ossa craniche e dei denti e la seconda nella stima della posizione di 9 landmark cefalometrici di interesse. I landmark utilizzati nel presente lavoro sono: la Sella turcica (S) , il Nasion (N), l’orbitale destro e sinistro (rOr e lOr), la Spina Nasale Anteriore (ANS), il Pogonion (Pg), il Gonion destro e sinistro (rGo e lGo) e il Menton (Me). Il metodo, così come proposto, prevede una breve inizializzazione manuale da parte dell’utente, a cui viene infatti chiesto di selezionare la slice assiale che contiene il punto più inferiore dell’osso mandibolare. In tal modo viene posto un limite inferiore al volume di interesse; infatti verranno successivamente considerate solo le strutture appartenenti alla slice considerata e a quelle superiori ad essa. Dopo questa fase di inizializzazione, si è quindi proceduto con un’operazione di filtraggio passa basso gaussiano del volume di interesse, in modo da migliorarne il rapporto segnale rumore senza intaccare eccessivamente la morfologia dei tessuti di interesse. Una volta che il volume è stato tagliato e filtrato, è stato possibile procedere con la fase di segmentazione. Il processo di segmentazione prescelto richiede l’individuazione automatica di un valore di intensità da definire come soglia attraverso il quale segmentare l’intero volume di interesse. A tale scopo si è scelto di selezionare un subset del volume di interesse, pari alla metà del volume iniziale e formato da una slice assiale ogni due presenti nel volume. In ognuna di queste slice, sono stati separatamente classificati i tessuti rappresentati mediante una divisione in 4 categorie: una rappresentante l’aria, due rappresentanti i tessuti molli e una rappresentante i tessuti duri. Per classificare i pixel appartenenti alla slice in queste 4 categorie si è utilizzato un processo di clusterizzazione, ovvero l’algoritmo k-means. A seguito di questa suddivisione in 4 diverse categorie si è deciso di considerare solo le strutture appartenenti al quarto cluster, in modo da estrarre le informazioni relative ai valori di intensità in esso contenute e di identificarne il valor minimo. In questo modo è stato possibile identificare per ogni slice il minimo valore di videointensità classificato come osso o dente. Questi valori sono stati poi utilizzati per definire la soglia globale con cui segmentare l’intero volume. Tale soglia è stata quindi definita come il decimo percentile della popolazione costituita dai minimi valori di videointensità classificati come osso o dente all’interno delle slice che compongono il subset del volume usato ai fini del processo di segmentazione. Una volta identificata la soglia globale si è preceduto con la segmentazione dell’intero volume selezionato. Il risultato di tale segmentazione è stato ulteriormente rifinito eliminando tutte quelle strutture presenti nel volume che erano caratterizzate dall’essere staccate dal complesso craniofacciale e dall’avere un volume molto piccolo rispetto a quello delle strutture di interesse. In questo modo la maggior parte delle strutture residui causati dalla presenza di rumore o artefatti vengono eliminati, migliorando la qualità della segmentazione. Una volta terminato il processo di segmentazione, si è proceduto con la registrazione di un soggetto di riferimento, che è stato precedentemente annotato e segmentato, al cranio del paziente in modo da poter stimare la posizione dei 9 landmark cefalometrici prescelti su di esso. Per fare questo si è optato per un processo di registrazione intensity-based che permettesse di mantenere le informazioni sui differenti valori di videointensità che caratterizzano le strutture craniche. Attraverso tale processo di registrazione è infatti possibile ricavare la trasformazione ottima che permette di deformare le strutture del paziente di riferimento in modo che si adattino il più possibile a quelle del paziente in esame. A tal scopo si è quindi proceduto con una registrazione globale e affine delle strutture craniche appartenenti al soggetto di riferimento su quelle del paziente. Successivamente, per stimare la posizione dei landmark del paziente è stata applicata la medesima trasformazione subita dal soggetto di riferimento alla nuvola di marker che erano stati precedentemente annotati su di esso. In questo modo è stato possibile ottenere una stima che approssimasse il posizionamento di questi punti fiduciari rispetto alle strutture del paziente che si intende annotare. Ultimata questa fase di registrazione globale delle strutture, è stata prevista una seconda fase di registrazione locale nell’intorno delle strutture che sono risultate particolarmente difficili da annotare. Questa ulteriore fase di registrazione presenta le stesse caratteristiche di quella globale, ma viene applicata selettivamente ad alcune zone del volume di interesse. Attraverso questa seconda fase di registrazione viene quindi rifinita la stima dei landmark più difficili da annotare. Al termine di questa fase sono quindi state calcolate posizioni stimate per tutti i 9 landmark prescelti e il processo di annotazione può considerarsi concluso. L’algoritmo proposto è stato interamente sviluppato in ambiente Matlab (The MathWorks Inc., Natick, Massachussetts, USA) ed è stato testato su 21 soggetti, costituiti da donne sane di età compresa tra i 37 e i 74 anni di età e che presentano i denti in entrambe le arcate dentarie. Per valutare la qualità dell’annotazione effettuata attraverso l’algoritmo proposto sono state effettuati 3 diverse tipologie di analisi. In primo luogo è stata calcolata la distanza euclidea, espressa in mm, compresa tra ogni landmark stimato mediante l’algoritmo e il suo corrispettivo annotato a mano da un utente esperto. In questo modo è stato possibile valutare l’errore di stima commesso attraverso il metodo proposto. Inoltre sono state calcolate diverse distanze lineari, sempre espresse in mm, tra coppie di landmark stimate attraverso il metodo proposto , le quali sono state successivamente confrontate con i valori cefalometrici standard riportati in letteratura per la tipologia di popolazione esaminata. Infine, per valutare la concordanza tra il metodo di annotazione proposto e quello manuale, sono state confrontate una serie di distanze lineari calcolate tra coppie di punti stimati e tra le corrispondenti coppie di punti annotati a mano. Risultati: L’errore medio effettuato nella localizzazione di tutti landamrk considerati e nei 21 soggetti testati presenta un valor medio di 4.4 mm con una deviazione standard pari a 3.1 mm. Questo valore però varia largamente a seconda del landmark considerato. Tra quelli valutati il minor valore di tale errore di stima è riportato per gli Orbitali destro (2.7 mm±1.4 mm) e sinistro (2.8 mm ± 1.4 mm), mentre i valori maggiori sono riportati per i Gonion destro (6.8 mm±3.3 mm) e sinistro (8.5 mm±4.5 mm). Per quanto riguarda i confronti con gli standard antropometrici, gli intervalli di valori calcolati tra i punti stimati risultano compatibili per tutte le misure tranne quelle che comprendono landmark appartenenti alla mandibola. Inoltre, valutando le differenze tra le popolazioni di misure lineari calcolate tra marker stimati e tra i loro corrispettivi annotati a mano, è risultato che le misure effettuate tra coppie di landmark che non comprendono landmark mandibolari sono affette da minor bias e non presentano significative differenze tra i due metodi di annotazione (p > 0.05). La presenza di grandi differenze tra misure che dipendono dalla stima di landmark mandibolari è giustificabile considerando che l’errore di stima effettuato nell’annotazione di questi particolari landmark è più alto rispetto a quello effettuato per gli altri landmark. Conclusioni: In questo lavoro è stato presentato un metodo semi automatico per la stima della posizione di una serie di landmark cefalometrici a partire da immagini CBCT. Attualmente il metodo proposto non permette di effettuare una localizzazione automatica della posizione di tali punti con l’accuratezza richiesta per l’utilizzo clinico, ma può essere usato per effettuare una prima stima della loro posizione in modo da guidare l’operatore nel processo di annotazione e permettere di ridurre così la soggettività che caratterizza l’annotazione completamente manuale. Nonostante questi limiti rappresenta un buon mezzo per effettuare una prima stima della localizzazione dei marker che potrà essere raffinato in futuro in modo da permettere un annotazione dei landmark completamente indipendente dall’utente.