AI Gum Health Evaluation Med Smartphone

I. Introduktion De mest udbredte tandsygdomme er karies (caries) og tandkødssygdomme (gingivitis og paradentose). Det er bevis for, at disse sygdomme er forårsaget af tandplak (bakteriel biofilm) [1]-[3]. Selvom de fleste patienter børster tænder hver dag, kan de ikke holde alle deres tænder rene. Områder i munden, som er svære at få adgang til, såsom overfyldte områder, posteriore tænder eller interdentale områder, er normalt påvirkede (stedspecifikke) [4]. Efter grundig professionel tandrensning vil plak begynde at samle sig på overfladen af ​​tænderne tæt på tandkødskanten inden for få dage. Kliniske undersøgelser, der indikerer, at regelmæssig afbrydelse af plak er nødvendig og kan forebygge og standse tandkødssygdomme [5]. Dog kan tandsygdomme tage år at udvikle sig, patienten har normalt ingen smertesymptomer [6], medmindre sygdommen er udviklet til det fremskredne stadie. En betydelig mængde ressourcer og klinisk tid er blevet brugt til at motivere og instruere patienterne i at holde munden ren, og alligevel er resultaterne ikke tilfredsstillende. Det er ønskeligt at anvende en automatiseret teknik til overvågning af oral sundhed dagligt, så vi kan søge behandling, når det er nødvendigt.

Patienternes reaktion på plak akkumuleret ved tandkødskanten er betændelse, som bringer flere blodceller til stedet for at bekæmpe den bakterielle invasion [7]. Betændelse i tyggegummi viser sig som øget rødme (farve), øget volumen (ødem) og tab af overfladekarakteristika (stippling; tyggegummifibre) [8]. Disse syge steder kan identificeres ved visuel undersøgelse af tandlæger. Desuden kan disse inflammatoriske ændringer i tyggegummi også genkendes ved intraoral fotografering. Formålet med denne forskning er at anvende kunstige intelligente (AI) teknikker til at detektere tandkødsbetændelse fra intraorale fotografier. Da målinflammationsstedet er ved tandkødsranden med varieret form og størrelse, er semantisk segmentering på pixelniveau nødvendig. Til denne forskning har vi lavet nogle indledende undersøgelser. DeepLabv3+ [9] encoder-decoder-netværk med en letvægts backbone MobileNetV2 [10] blev vedtaget til at udføre pixelvis semantisk segmentering af tandkødsbetændelsen fra de intraorale fotografier. Fotografierne er indekseret af en tandlæge med mere end 15 års klinisk erfaring for at opnå indekskategoribillederne til netværksuddannelsen.

II. Arbejde udført af andre Det første forsøg på at automatisere segmentering af tandkødssygdomme fra intraorale billeder med dyb læringstilgang er foreslået i [11]. Det vedtager en autoencoder-netværksarkitektur med dybt foldningsneuralt netværk. Det anvendte datasæt omfatter 405 farveforstærkede intraorale biomarkørbilleder fra 150 individer. Områder med tandkødsbetændelse blev mærket af tandlæge, og det trænede netværk kan forudsige inflammationen med arealet under modtagerens operationskarakteristiske kurve (AUC) 0,746. Præcisions- og genkaldsværdierne er henholdsvis 0,347 og 0,621. Netværket blev trænet med mærkningen på sygt tyggegummi. Nogle tandsten på tænder blev også forudsagt som sygt tyggegummi, da dets gullige farve teknisk set er tæt på sygt tyggegummi. Desuden blev nogle dele af uinteresseret tandkødsområde også forudsagt som sygt tyggegummi. Den samlede segmentering er ikke tilfredsstillende.

III. Vores foreløbige arbejder De intraorale fotografier af patienter fra Det Tandlæge Fakultet, The University of Hong Kong (HKU), som gennemgik parodontisk behandling, blev indsamlet til den foreløbige undersøgelse. Undersøgelsen blev godkendt af HKU's institutionelle revisionsudvalg (UW20-230). I alt 110 standard intraorale fotografier med forskellige opløsninger blev indsamlet. De beskæres manuelt til forskellige mindre billeder, og måletiketterne optager det størst mulige billede, hvilket er meget gavnligt til træning. Størrelsen på det beskårede billede er samlet til 512×512. Det færdige datasæt er opdelt i to sæt, henholdsvis 337 billeder til træning og 110 billeder til validering. I betragtning af at der er flere billeder svarende til én patient, så ved opdeling af datasættet vil billedet af samme patient ikke vises i de to opdelte datasæt. De er mærket i fire sundhedsstatusniveauer (sund, tvivlsom sund, tvivlsom syg og syg) og verificeret af en tandlæge med mere end 15 års klinisk erfaring. Den foreslåede semantiske segmenteringsarkitektur er baseret på DeepLabv3+ netværket med Xception og MobileNetV2 som rygraden. Eksperimentelle resultater viser effektiviteten af ​​det foreslåede system, som viser mulig anvendelse ved selvkontrol af tandlæger ved hjælp af mobilapp, især under sygdomspandemien, hvor besøg hos tandlæger er vanskelige eller endda umulige. Den foreslåede netværksmodel kan forudsige konturen af ​​det interesserede tandkødsområde. Eksperimentresultater viser, at den foreslåede segmenteringsmodel nøjagtigt kan opdele det meste af tandkødsinflammationsområdet i fire kategorier. MIOU er 0,3514. Det menes, at ved at udvide datasættet og optimere netværksstrukturen, kan ydeevnen forbedres yderligere. Forskningsarbejdet om det foreløbige blev offentliggjort i [16].

IV. Nøglespørgsmål og forskningsgab

A. Der er ingen site-specifik semantisk segmentering af neural netværksmodel på flere niveauer til automatisk detektion af gingival inflammation fra intraoralt fotografi.

B. Der er ikke noget velmærket træningsdatasæt til anvendelse af automatisk tandkødsbetændelsesdetektion fra intraoralt fotografi.

Reference:

1. J.K. Clarke, "On the bacterial factor in the etiology of dental caries," British journal of experimental pathology, vol. 5, nr. 3, s. 141-147, 1924.
2. S.S. Socransky, A.D. Haffajee, "The bacterial etiology of destructive periodontal disease: current concepts," Journal of periodontology, vol. 63, s. 322-331, 1992.
3. W.F. Liljemark, C. Bloomquist, "Human oral microbial ecology and dental caries and periodontal diseases," Critical Reviews in Oral Biology & Medicine, vol. 7, nr. 2, s. 180-198, 1996.
4. H.J. Breen, N.W. Johnson, P.A. Rogers, "Site-specifik ændring af tilknytningsniveau detekteret ved fysisk sondering i ubehandlet kronisk voksen parodontitis: gennemgang af undersøgelser 1982-1997," Journal of periodontology, vol. 70, nr. 3, s. 312-328, 1999.
5. H. Löe, "Oral hygiene in the prevention of caries and periodontal disease," International dental journal, vol. 50, nej. 3, s. 129-139, 2000.
6. L. Croxson, "Periodontal awareness: the key to periodontal health," International dental journal, vol. 43, (2 Suppl 1) s. 167-177, 1993.
7. R. Genco, J. Slots, "Host Responses Host Responses in Periodontal Diseases," Journal of dental research, vol. 63, nr. 3, s. 441-451, 1984.
8. G.C. Armitage, "Klinisk evaluering af periodontale sygdomme," Parodontologi 2000, vol. 7, nr. 1, s. 39-53, 1995.
9. L.C. Chen, Y. Zhu, G. Papandreou, F. Schroff og H. Adam, "Encoder-decoder with atrous separable convolution for semantic image segmentation," i Proceedings of the European conference on computer vision (ECCV), 2018, s. 801-818.
10. M. Sandler, A. Howard, M. Zhu, A. Zhmoginov og L. Chen, "MobileNetV2: Inverted Residuals and Linear Bottlenecks," i 2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition, Salt Lake City, UT, USA , 2018, s. 4510-4520.
11. A. Rana, G. Yauney, L.C. Wong, O. Gupta, A. Muftu og P. Shah, "Automatiseret segmentering af tandkødssygdomme fra orale billeder," i 2017 IEEE Healthcare Innovations and Point of Care Technologies (HI-POCT), Bethesda, MD, USA, 2017, pp. . 144-147.
12. O. Ronneberger, P. Fischer, T. Brox, "U-Net: Convolutional Networks for Biomedical Image Segmentation," i 18th International Conference on Medical Image Computing and Computer-Assisted Intervention (MICCAI), 2015, pp. 234-241.
13. B. Zoph, V. Vasudevan, J. Shlens og Q.V. Le, "Learning Transferable Architectures for Scalable Image Recognition," i 2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition, Salt Lake City, UT, USA, 2018, s. 8697-8710.
14. F. Chollet, "Xception: Deep Learning with Depthwise Separable Convolutions," i 2017 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), Honolulu, HI, USA, 2017, s. 1800-1807.
15. M.X. Tan og Q.V. Le, "EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks," i Proceedings of the 36th International Conference on Machine Learning, PMLR, 2019, vol. 97, s. 6105-6114.
16. G.-H. Li, T.-C. Hsung, B. W.-K. Ling, W.Y.-H. Lam, G. Pelekos og C. McGrath, "Automatisk stedspecifik detektion af tandkødssygdomme på flere niveauer baseret på dybt neuralt netværk," i 2021 15. internationale symposium om medicinsk informations- og kommunikationsteknologi (ISMICT2021), Xiamen, Kina, apr. 2021.