Utilizing Deep Learning to Detect the Perforators of Anterolateral Thigh Free Flap in Computed Tomography Images for Maxillofacial Reconstruction

Abstract

Utilizing Deep Learning to Detect Perforators of Anterolateral Thigh Free Flap in Computed Tomography Images for Maxillofacial Reconstruction The anterolateral thigh (ALT) free flap is widely utilized for reconstructive surgery in cases of anatomical defects caused by trauma, disease, or congenital malformations. Perforator vessels, which supply oxygen and blood, are essential for the successful transplantation of the ALT free flap. This study aimed to develop an artificial intelligence model to accurately detect perforator vessels of the ALT free flap in computed tomography angiography (CTA) images. For the image data, 53 CTA series from patients who underwent ALT free flap surgeries were used. Of these, 48 CTA series were used for training, and 5 CTA series were used for testing. The nnUNet model performed deep learning using manually annotated data provided by two oral and maxillofacial surgeons. Two models were developed in this study. nnUNet one trained on perforator vessels confirmed through surgery and nnUNet adv trained additionally on perforator vessels confirmed radiologically. The nnUNet adv demonstrated superior performance compared to nnUNet one in both internal and external validation, achieving higher scores in Dice, IoU, Precision, and Recall metrics. In external validation, nnUNet adv achieved a Dice score of 0.682 and a detection rate of 71.4% for identifying perforator vessels. Training with radiologically verified perforator vessels, in addition to surgically confirmed vessels, resulted in better performance than using only surgical confirmation. These results suggest that the nnUNet adv developed in this study can reduce the time surgeons spend interpreting CTA images and assist in preoperative planning by enabling more accurate design of various free flap configurations. Furthermore, nnUNet adv demonstrated potential in detecting perforator vessels that might be missed by specialists during CTA interpretation. Adding more training datasets in the future is expected to further enhance the model's accuracy and reliability

전외측 대퇴부 유리피판은 외상, 질병 또는 선천적 기형으로 인해 해부학적 결손이 있는 경우 재건을 위해 널리 이용하고 있는 유리 피판이다. 전외측 대퇴부 유리피판의 이식을 성공적으로 하기 위해 산소와 혈액을 공급하는 천공지 혈관이 반드시 필요하다. 본 연구는 전산화 단층촬영 혈관 조영술 이미지에서 전외측 대퇴부 유리피판의 천공지 혈관을 정확하게 탐지하기 위한 인공지능 모델을 개발하는 것을 목표로 하였다. 이미지 데이터로 전외측 대퇴부 유리피판 이식 수술을 받은 환자의 53개 전산화 단층촬영 혈관조영술 이미지를 사용하였다. 이 중 48개는 학습용으로 사용하였고 5개는 테스트용으로 사용하였다. 두 명의 구강악안면외과 전문의가 수동으로 주석 처리한 정보를 이용하여 nnUNet 모델이 딥러닝을 수행하였다. 본 연구에서는 수술로 확인된 천공지 혈관을 학습한 nnUNet one과 방사선학적으로 추가로 확인된 천공지 혈관을 학습한 nnUNet adv라는 두 가지 모델을 개발하였다. nnUNet one보다 nnUNet adv가 내부 검증, 외부 검증에서 Dice, IoU, Precision, Recall 모두 높은 수치를 보였다. nnUNet adv는 천공지 혈관 식별에 대한 성능 평가를 위한 외부 검증에서 Dice 점수 0.682와 71.4% 탐지율을 보였다. 본 연구에서 개발한 nnUNet adv는 외과의사의 전산화 단층촬영 혈관조영술의 판독 시간을 줄이고 수술 전 다양한 유리피판의 모양을 술자가 설계하는데 도움을 줄 수 있는 성능으로 평가한다. 또한, nnUNet adv는 전문의가 판독에 실패한 천공지 혈관을 탐지할 수 있는 가능성을 보였다. 향후 학습 데이터 세트를 추가하면 모델의 정확성과 신뢰성이 더욱 향상될 것으로 기대된다.