Summary
已经提出了使用人工智能 （AI） 辅助识别和合并来注册锥形束计算机断层扫描和数字牙科图像的过程。与基于表面的配准的比较表明，基于人工智能的数字化和集成是可靠且可重复的。
Abstract
本研究旨在引入锥形束计算机断层扫描（CBCT）数字化和基于人工智能（AI）的配准（ABR）的数字牙科图像（DDI）集成，并评估该方法与基于表面的配准（SBR）相比的可靠性和可重复性。这项回顾性研究包括 17 名接受过计算机辅助双颌正颌手术的患者的 CBCT 图像和 DDI。使用基于人工智能的程序重复了CBCT图像的数字化及其与DDI的集成。CBCT 图像和 DDI 使用点对点配准进行集成。相比之下，使用SBR方法，在CBCT和DDI上手动识别三个标志，并与迭代最近点方法集成。
在对每种方法进行两次重复积分后，得到了第一上颌磨牙和中切牙的三维坐标值及其差异。进行类内系数 （ICC） 检验以评估观察者与每种方法坐标的观察者内可靠性，并比较它们在 ABR 和 SBR 之间的可靠性。观察者内部的可靠性在每种方法中都显示出显着且几乎完美的 ICC。在ABR和SBR中，第一次和第二次注册之间以及两种方法之间的平均差异没有显著性;然而，与SBR方法相比，ABR方法的范围更窄。这项研究表明，基于人工智能的数字化和集成是可靠和可重复的。
Introduction
三维（3D）数字技术拓宽了正畸或手术正畸治疗的诊断和规划范围。由面部锥形束计算机断层扫描 （CBCT） 图像构建的虚拟头部可用于评估牙颌面和牙齿异常、计划正颌手术、制造牙科晶片和使用计算机辅助设计和制造植入手术导板 1,2,3,4。然而，CBCT 扫描对牙列的代表性较低，包括牙齿形态和咬合间关系，这是由于它们的分辨率有限和牙齿修复或正畸托槽的条纹伪影5。因此，CBCT 图像上的牙科特征已被数字牙科图像 （DDI） 取代，例如扫描的管型或口内扫描图像。
为了在CBCT图像上可靠地集成DDI，许多研究报告了各种方法，例如使用基准标记6,7，基于体素的8和基于表面的配准（SBR）9,10。这些程序有其使用口外标记、多次 CBCT 扫描和额外的处理步骤的方法，例如清洁 CBCT 图像上的金属伪影。关于 SBR 精度，之前的几项研究报告的误差范围为 0.10 至 0.43mm 9,11。此外，Zou 等人使用 SBR 评估了数字工程师和正畸医生之间的观察者内部/观察者间的可靠性和错误，并报告了对临床经验和重复学习的需求10.
人工智能 （AI） 已被用于预测治疗结果12 并将头影 X 光片13 或 CBCT 图像14、15、16 上的地标数字化，目前有一些商业软件可用于协助这一过程17。由于平面或曲面结构的模糊性、低密度区域以及解剖结构的广泛可变性，因此在 3D 图像上准确识别解剖标志具有挑战性。
基于人工智能的机器学习自动化不仅可以应用于数字化，还可以用于DDI和牙面CBCT的集成。然而，与现有的基于表面的方法相比，关于基于人工智能的注册 （ABR） 的准确性的研究很少。为了通过双颌正颌手术获得更准确的 3D 骨骼和牙齿变化结果，有必要在合并 CBCT 和 DDI 时评估基于 AI 的程序的准确性。因此，本文提出了一个分步协议，用于数字化和集成 CBCT 和 DDI 与基于 AI 的注册 （ABR），并评估其与 SBR 相比的可靠性和可重复性。
Subscription Required. Please recommend JoVE to your librarian.
Protocol
这项回顾性研究由首尔国立大学盆唐医院机构审查委员会 （B-2205-759-101） 审查和批准，并符合《赫尔辛基宣言》的原则。该研究使用了来自牙科模型的 CBCT 和 DDI 中的标准镶嵌语言 （STL） 格式的医学数字成像和通信 （DICOM） 文件。由于该研究的回顾性，因此放弃了知情同意的需要。
1. CBCT和数字牙科图像（DDI）采集
- 根据以下纳入标准选择患者：骨骼性 III 类咬合不正;通过计算机辅助计划进行双颌手术;以及使用固定边缘矫治器进行正畸治疗。
- 排除颅面综合征、唇/腭裂、上颌第一磨牙或右中切牙缺失的患者。
- 获得视场为 200 mm x 180 mm、体素大小为 0.2 mm、暴露条件为 80 kVp、15 mA 和 10.8 s 的 CBCT 扫描。确保患者处于直立位置，牙齿处于最大凹陷。将扫描结果另存为医学数字成像和通信 （DICOM） 数据文件。
- 从牙科结石模型中获取 DDI 或直接口内扫描，并将其以标准镶嵌语言 （STL） 格式保存为单独的上颌牙列和下颌牙列。
2. 基于人工智能的注册协议 （ABR）
- CBCT重新定位和数字化
- 打开软件，点击 加载DICOM文件 按钮将CBCT DICOM文件导入到软件中。
- 在 DICOM 数据文件夹中选择任何一个 DICOM 文件，然后单击 “打开”。
注意：当加载 DICOM 文件时，软件会自动将它们重建为 CBCT 颅面体积。 - 单击 Landmark 面板中的 Reorientation 按钮（图 1）。
- N（Nasion）：在3D视图中单击额骨的V切口（图2）。点击后，立即观察蓝点（激活）变成红十字，该十字也将出现在轴向、矢状面和冠状视图中。来回单击蓝色三角形箭头以识别地标。
- 在 矢状面视图中，上下滚动鼠标滚轮以找到额鼻缝合线与鼻骨和额骨相交的最前点，然后单击以确定标志的垂直和前后位置。
- 在冠状视图中，上下滚动鼠标滚轮以找到鼻骨消失之前的时刻，以确保最前点，然后单击以确定鼻骨的水平位置。
- 在 轴向视图中，调整 前后位置 ，因为它位于最前点。
- R Or （Orbitale）：在 3D 模型中单击右眼眶轮廓边缘的最下点（图 2）。
- 在 冠状视图中，上下滚动鼠标滚轮以找到 右轨道下边缘的最低点 ，然后单击。
- 在矢状面视图中，单击构成眼眶下边界的右上颌骨或颧骨结构的最上点。
- 在 轴向视图中，滚动鼠标并单击，使红叉位于眼眶边缘相交的位置。
- L Or （Orbitale）：在 3D 模型（图 2）中单击左眼眶轮廓边缘的最下点，并修改三个视图上的点，就像在 R Or 的过程中一样。
- R Po （Porion）：在 3D 模型中单击右侧外耳道轮廓的最上点（图 2）。
- 在 冠状视图中，单击 右颞骨的最低点 以确定 水平 和 垂直位置。
- 在矢状视图中，单击右侧外耳道轮廓的最上点以调整垂直和前后位置。
- 在 轴向视图中，滚动鼠标滚轮以单击 外耳道出现的位置，其中 颞骨线消失。
- L Po （Porion）：在 3D 模型（图 2）中单击左侧外耳道轮廓的最上点，并在三个多平面视图中修改该点，就像在处理 R Po 时一样。
注：重建的颅面模型（图2）中，现已识别出五个基本骨骼标志，包括Nasion，左右眼眶以及左右眼眶。 - 单击“ 完成” 按钮以完成重建的颅面模型的重新定向。
- 单击“地标”面板中的“初步地标选择”按钮，然后选择“ 齿状 I”地标组。
注意：已经选择了颅底、颞下颌关节、上颌骨骼、下颌骨骼、牙列 I 和软组织的标志性组进行颅面分析。 - 单击“初步地标拾取”面板中的“执行”按钮，让软件自动拾取初步地标并确定其坐标。
- 修改地标时，按 Volume 选项卡中的 Manual Landmark Pick 按钮，进行必要的调整，然后单击 Done 按钮进行确认（图 3）。
3. DDI 合并程序
- 单击“工具”面板中的“齿状扫描注册”按钮（图4）。
- 选择上颌牙列，然后单击牙列注册面板中的加载按钮。
- 在文件夹中选择具有CBCT模型的同一患者的STL文件，以加载上颌牙列STL文件。打开 STL 文件后，在屏幕右侧查找 DDI，在屏幕左侧查找 CBCT 的四个视图（3D、轴向、矢状面和冠状）。
- 通过来回切换蓝色三角箭头，在加载的 DDI 上选择注册标志：右上颌第一磨牙的近颊尖 （R U6CP）、切口边缘的右上颌中切牙中点 （R U1CP） 和左上颌第一磨牙的近颊尖 （L U6CP）（图 5）。
注意：左键单击并拖动鼠标可旋转 DDI，右键单击并拖动可放大和缩小。在手动数字化后，注册标志同时由机器学习自动化进行校准。 - 单击“齿状注册”面板中的“完成”按钮。
- 单击“ Yes ”按钮以确认自动注册（图 6）。
- 对于下颌牙列合并，请选择下颌牙列，然后单击牙列注册面板中的加载按钮。重复步骤 3.2 到 3.6。选择下颌牙列上的注册标志：右/左下第一磨牙的近颊尖 （R-/L- L6CP），切口边缘的右下第一切牙中点 （R L1CP）。
- DDI 现在与重建的 CBCT 模型合并（图 7）。
- 修改合并时，单击 Dentition Registration 面板中的 Pick Registration Landmark 按钮（图 8）。
4. 获取每个地标的 3D 坐标值（x、y 和 z）
- 单击“体积”选项卡中的“手动地标拾取”按钮，或单击“分析”选项卡以获取地标的 3D 坐标值。对于数据导出，请转到分析选项卡
→数据导出面板，然后单击“地标”按钮将数据另存为文件。
注意：X 平面（水平）是穿过 Nasion 的平面，平行于穿过左右 Orbitales 和右 Porion 的法兰克福水平 （FH） 平面。Y 平面（矢状面）垂直于 X 平面，穿过 Nasion 和 basion。Z平面（冠状面）通过Nasion（零点;0、0和0）将平面设置为垂直于水平面和中矢状面（图9）。
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
在这里，我们描述了使用基于 AI 的程序 CBCT 和 DDI 的集成过程。为了评估其可靠性和可重复性，进行了与表面基配准（SBR）的比较研究。确定在相关性 ρ H1 = 0.77、α = 0.05 和功效 （1−β） = 0.80 18 下的功效分析后，需要的最小样本量为10。研究了2016年3月至2019年10月在首尔国立大学盆唐医院进行的17组正颌患者的CBCT扫描和数字牙科图像。同一人群的整个 SBR 和 ABR 过程由同一位检查员重复两次，该检查员是一位接受过标志识别培训超过 1.5 年的正畸住院医师。SBR是通过类似于先前一些研究的方案进行的9,10（图10）。评估了R-/L-U6CP和R U1CP与各程序重复积分后x、y、z坐标值的均值差。采用SPSS 22.0软件对所有数据进行统计分析。在每个 ABR、SBR 中以及它们之间分析地标坐标的可靠性，以使用类内相关性 （ICC）19 评估可重复性。
R-/L-U6CP和R U1CP的x、y和z坐标值的观察者内可靠性显著且对ABR（0.950 ≤ ICC ≤ 0.998）和SBR（0.886 ≤ ICC ≤ 0.997）几乎完美（表1）。在大多数地标中，y 坐标值和 z 坐标值的可靠性差异非常显著，并且 SBR 和 ABR 之间几乎完全一致，甚至基本一致。而R-/L-U6CP和R U1CP的x坐标值分别呈现中等、一般和低一致性，且不显著。
如表2所示，在每种方法中，重复积分的所有坐标值的平均差异没有显著差异。ABR 的 x 坐标差异范围为 -0.005 至 -0.098 mm，SBR 为 -0.212 至 0.013 mm。它们在ABR的y坐标上范围为-0.084至-0.314 mm，在SBR的y坐标上为-0.007至0.084 mm，在ABR的z坐标上范围为-0.005至0.045 mm，在SBR上的范围为-0.567至0.074 mm。然而，ABR和SBR之间的第一次和第二次注册之间的平均差异没有显著性。
图 1：重新定向颅面模型。 这是通过单击“地标”面板中的“ 重新定向 ”按钮来启动 的。 请点击这里查看此图的较大版本.
图 2：重建颅面模型重新定向的五个基本标志; 鼻孔、左右眼眶、左右孔。 请点击这里查看此图的较大版本.
图 3：初步自动选择地标后的地标及其坐标。可以通过单击“体积”选项卡中的“手动地标选择”按钮来完成对地标的审查和修改。 请点击这里查看此图的较大版本.
图 4：开始将数字牙科图像与重新定向的颅面模型合并。这是通过单击“工具”面板中的“齿状扫描注册”按钮来完成的。请点击这里查看此图的较大版本.
图 5：加载的数字牙科图像上三个注册标志的位置。 右上颌第一磨牙的近颊尖（R U6CP）、切口边缘的右上颌中切牙中点（R U1CP）和左上颌第一磨牙的近颊尖（L U6CP）。这些地标同时通过机器学习自动化进行校准。 请点击这里查看此图的较大版本.
图 6：在加载的数字牙科图像和 CBCT 上确认三个注册标志。 上颌第一磨牙的左右近颊尖（R U6CP、L U6CP）和右上中切牙中点（R U1CP）。单击“ 是 ”按钮将执行自动注册。缩写：CBCT=锥形束计算机断层扫描。 请点击这里查看此图的较大版本.
图 7：重建的颅面模型与数字牙科图像合并。 请点击这里查看此图的较大版本.
图 8：修改合并。修改合并时，单击“齿状注册”面板中的“选取注册地标”按钮。请点击这里查看此图的较大版本.
图 9：程序的参考平面。 X 平面（水平）是穿过 Nasion 的平面，平行于穿过左右 Orbitales 和右 Porion 的法兰克福水平 （FH） 平面。Y 平面（矢状面）垂直于 X 平面，穿过 Nasion 和 basion。Z平面（冠状面）通过Nasion（零点;0、0和0）将平面设置为垂直于水平面和中矢状面。 请点击这里查看此图的较大版本.
图 10：将上颌数字牙科图像基于表面的配准到重建的 CBCT 图像的牙科部分。 （A） 合并前和 （B） 合并后。首先，使用上颌第一磨牙的近颊尖和 CBCT 和 DDI 中中切牙的接触点记录初始点。随后，使用迭代最近点算法对表面进行配准，以实现更准确的积分。缩写：CBCT=锥形束计算机断层扫描;DDI = 数字牙科图像。 请点击这里查看此图的较大版本.
表 1：在每个 ABR 和 SBR 中以及它们之间集成面部 CBCT 和数字牙科图像时，每个标志的三个坐标的可靠性。 *配对 T 检验;†独立 t 检验。ICC > 0.8/0.6/0.4/0.2 或 ≤ 0.2 分别代表非常好、良好、中等、一般或较差的一致强度。缩写：CBCT=锥形束计算机断层扫描;AI = 人工智能;ABR = 基于人工智能的注册;SBR = 基于表面的配准;CI = 置信区间;ICC=类内系数。 请按此下载此表格。
表 2：使用 ABR 和 SBR 重复配准面部 CBCT 和数字牙科图像时，每个标志的三个坐标的平均差异。 Δ （1st-2nd），DDI 和面部 CBCT 图像的第一次配准 （1st） 和第二次配准 （2nd） 之间每个标志的 x、y 和 z 坐标的平均差。*配对 T 检验;†独立 t 检验; 湾Wilcoxon 符号秩检验。显著性设定为 P < 0.05。缩写：CBCT=锥形束计算机断层扫描;AI = 人工智能;ABR = 基于人工智能的注册;SBR = 基于表面的配准;S.D. = 标准差。 请按此下载此表格。
Subscription Required. Please recommend JoVE to your librarian.
Discussion
使用所提出的协议，可以使用机器学习软件轻松完成地标的数字化以及集成 CBCT 和 DDI。该协议需要以下关键步骤：i） CBCT 扫描中头部的重新定位，ii） CBCT 和 DDI 的数字化，以及 iii） 将 CBCT 图像与 DDI 合并。对于头部重新定向，五个标志的数字化至关重要，因为它通过空间区域中的参考平面确定头部的 3D 位置。DDI 上的三个地标（R-/L-U6CP 和 R U1CP）在手动数字化后通过机器学习自动化进行校准。唯一的手动过程是在重建的 CBCT 模型中定位基本的五个骨骼标志，包括 Nasion、左右眼眶和孔（图 2），以及 DDI 中的三个牙齿标志，包括 R-/L-U6CP 和 R U1CP（图 5）。因此，用户需要具有将这八个地标数字化的经验，这可能会影响注册错误。项目专家对CBCT和DDI合并的SBR平均消耗时间为3-4分钟。在 ABR 程序中，选择 5 个地标进行重新定向平均消耗 50 秒，在 DDI 中选择三个地标平均消耗 40 秒，合并 CBCT 和 DDI 的程序平均消耗 2-3 秒。此外，根据地标组的选择，整个CBCT中自动地标拾取的时间从30 s到2 min不等。
当某些地标的数字化不精确时，可以通过手动数字化并单击 手动注册来对其进行修改。假设存在任何解剖学或形态学差异（例如，缺失中央切牙或第一磨牙），临床医生可以通过定制 CBCT 和 DDI 中的某些点来匹配特定标志。
关于CBCT和DDI的各种积分方法的平均误差，以前使用标记物的研究报告的配准误差范围为0.1至0.5 mm20。在基于伪影的表面配准中，Lin 等人报告的精度误差为 0.10 至 0.43 mm11。然而，在我们的研究中，ABR 的平均差异范围小于 SBR （0.001 至 0.314 mm; 表2）。这意味着 ABR 可以比 SBR 具有更高的准确性。有趣的是，ABR 中上颌切牙的 z 坐标和 SBR 中 x 坐标的平均误差相对较小。它可能来源于 ABR 和 SBR 之间上颌切牙的不同标志，分别是上颌切牙的中点和接触点。
此外，在合并 CBCT 和 DDI 时，金属伪影和操作员在集成过程中的经验水平也会影响准确性。Nkenke 等人分别报告了 0.13 毫米和 0.27 毫米，没有金属伪影校正和有金属伪影校正，21。另一项研究发现，上颌牙齿在不同操作组之间的 SBR x 坐标值中表现出较差到中等的可靠性10。在我们的研究中，上颌第一磨牙和切牙的 x 坐标值的可靠性在 ABR 和 SBR 之间始终呈现中等到较差的一致性。此外，大多数地标的 y-/z 坐标的可靠性几乎是完美的，并且基本一致，而 x 坐标的可靠性则显示出中等到低的一致性（表 1）。X 坐标的这种可变性可能是由于第一磨牙咬合磨损和上颌中央切牙拥挤或间距导致的标志模糊不清所致。
关于CBCT的AI识别，波峰、边缘、顶端以及具有不同密度的区域之间的标志点更容易定位，因此往往呈现出最高的准确度22。Guillot 等人发现，颅基部的标志比上颌骨和下颌骨的标志更准确14。然而，这些研究没有将 CBCT 与 DDI 合并，而是仅评估了 AI 在 CBCT 中解剖标志的识别。
该研究使用小样本量来评估 ABR 的可靠性;需要对更大的样本量进行进一步评估。考虑到这项研究仅由一名审查员进行，审查员之间的差异可能会影响可靠性，这可以进一步研究。此外，由于该协议基于机器学习算法，其中卷积神经网络是使用样本数据库开发的，因此数据库应定期更新。应该理解的是，牙齿和面部骨骼的解剖多样性，尤其是牙颌面畸形、放射学密度的差异以及 CBCT 和 DDI 的分辨率可能导致数据表示受损。该 ABR 协议可用于预先设计种植体或牙周手术，并模拟计算机辅助正颌手术和正畸治疗。
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
作者声明没有利益冲突。
Acknowledgments
这项研究得到了首尔国立大学盆唐医院 （SNUBH） 研究基金的支持。（授权号：14-2019-0023）。
Materials
| Name | Company | Catalog Number | Comments |
| G*Power | Heinrich Heine Universität, D?sseldorf, Germany | v. 3.1.9.7 | A sample size calculuation software |
| Geomagic Qualify® | 3D Systems, Morrisville, NC, USA |
v 2013 | 3D metrology feature and automation software, which transform scan and probe data into 3D to be used in design, manufacturing and metrology applications |
| KODAK 9500 | Carestream Health Inc., Rochester, NY, USA | 5159538 | Cone Beam Computed Tomograph (CBCT) |
| MD-ID0300 | Medit Co, Seoul, South Korea Seoul, Korea |
61010-1 | Desktop model scanner |
| ON3D | 3D ONS Inc., Seoul, Korea |
v 1.3.0 | Software for 3D CBCT evaluation; AI-based landmark identification, craniofacial and TMJ analysis, superimposition, and virtual orthognathic surgery |
| SPSS | IBM, Armonk, NY, USA | v 22.0 | A statistic analysis program |
References
- Plooij, J. M., et al. Digital three-dimensional image fusion processes for planning and evaluating orthodontics and orthognathic surgery. A systematic review. J Oral Maxillofac Surg. 40 (4), 341-352 (2011).
- Badiali, G., et al. Virtual orthodontic surgical planning to improve the accuracy of the surgery-first approach: A prospective evaluation. J Oral Maxillofac Surg. 77 (10), 2104-2115 (2019).
- Lee, C. Y., Ganz, S. D., Wong, N., Suzuki, J. B. Use of cone beam computed tomography and a laser intraoral scanner in virtual dental implant surgery: part 1. Implant Dent. 21 (4), 265-271 (2012).
- Park, J. H., et al. Creation of digital virtual patient by integrating CBCT, intraoral scan, 3D facial scan: an approach to methodology for integration accuracy. J Craniofac Surg. 33 (4), e396-e398 (2022).
- Almutairi, T., et al. Replacement of the distorted dentition of the cone-beam computed tomography scans for orthognathic surgery planning. J Oral Maxillofac Surg. 76 (7), 1561.e1-1561.e8 (2018).
- Rangel, F. A., Maal, T. J., Berge, S. J., Kuijpers-Jagtman, A. M. Integration of digital dental casts in cone-beam computed tomography scans. ISRN Dent. 2012, 949086 (2012).
- Yang, W. M., Ho, C. T., Lo, L. J. Automatic superimposition of palatal fiducial markers for accurate integration of digital dental model and cone beam computed tomography. J Oral Maxillofac Surg. 73 (8), 1616.e1-1616.e10 (2015).
- Swennen, G. R., et al. A cone-beam computed tomography triple scan procedure to obtain a three-dimensional augmented virtual skull model appropriate for orthognathic surgery planning. J Craniofac Surg. 20 (2), 297-307 (2009).
- Noh, H., Nabha, W., Cho, J. H., Hwang, H. S. Registration accuracy in the integration of laser-scanned dental images into maxillofacial cone-beam computed tomography images. Am J Orthod Dentofacial Orthop. 140 (4), 585-591 (2011).
- Zou, B., et al. Accuracy of a surface-based fusion method when integrating digital models and the cone beam computed tomography scans with metal artifacts. Sci Rep. 12 (1), 8034 (2022).
- Lin, H. H., et al. Artifact-resistant superimposition of digital dental models and cone-beam computed tomography images. J Oral Maxillofac Surg. 71 (11), 1933-1947 (2013).
- Park, J. H., et al. Use of artificial intelligence to predict outcomes of nonextraction treatment of Class II malocclusions. Semin Orthodontics. 27 (2), 87-95 (2021).
- Bao, H., et al. Evaluating the accuracy of automated cephalometric analysis based on artificial intelligence. BMC Oral Health. 23 (1), 1-10 (2023).
- Gillot, M., et al. Automatic landmark identification in cone-beam computed tomography. Orthod Craniofac Res. , (2023).
- Blum, F. M. S., et al. Evaluation of an artificial intelligence-based algorithm for automated localization of craniofacial landmarks. Clin Oral Invest. 27, 2255-2265 (2023).
- Al-Ubaydi, A. S., Al-Groosh, D. The validity and reliability of automatic tooth segmentation generated using artificial intelligence. The Scientific World Journal. 2023, 5933003 (2023).
- Urban, R., et al. AI-assisted CBCT data management in modern dental practice: Benefits, limitations and innovations. Electronics. 12 (7), 1710 (2023).
- Faul, F., Erdfelder, E., Buchner, A., Lang, A. G. Statistical power analyses using G*Power 3.1: tests for correlation and regression analyses. Behav Res Methods. 41 (4), 1149-1160 (2009).
- Landis, J. R., Koch, G. G. The measurement of observer agreement for categorical data. Biometrics. 33, 159-174 (1977).
- Uechi, J., et al. A novel method for the 3-dimensional simulation of orthognathic surgery by using a multimodal image-fusion technique. Am J Orthod Dentofacial Orthop. 130 (6), 786-798 (2006).
- Nkenke, E., et al. Fusion of computed tomography data and optical 3D images of the dentition for streak artifact correction in the simulation of orthognathic surgery. Dentomaxillofac Radiol. 33 (4), 226-232 (2004).
- Lagravère, M. O., et al. Intraexaminer and interexaminer reliabilities of landmark identification on digitized lateral cephalograms and formatted 3-dimensional cone-beam computerized tomography images. Am J Orthod Dentofacial Orthop. 137 (5), 598-604 (2010).
