AI Zahnfleischgesundheitsbewertung mit Smartphone

I. Einleitung Die am weitesten verbreiteten Zahnerkrankungen sind Karies (Karies) und Zahnfleischerkrankungen (Gingivitis und Parodontitis). Es ist belegt, dass diese Erkrankungen durch Zahnbelag (bakterieller Biofilm) verursacht werden [1]-[3]. Obwohl die meisten Patienten ihre Zähne täglich putzen, können sie nicht alle ihre Zähne sauber halten. In der Regel sind schwer zugängliche Bereiche im Mund betroffen (lokalisationsspezifisch) [4]. Nach einer gründlichen professionellen Zahnreinigung beginnt sich innerhalb weniger Tage Plaque auf der Oberfläche der Zähne in der Nähe des Zahnfleischrandes anzusammeln. Klinische Studien zeigen, dass eine regelmäßige Zerstörung der Plaque erforderlich ist und Zahnfleischerkrankungen vorbeugen und stoppen kann [5]. Allerdings kann es Jahre dauern, bis sich Zahnerkrankungen entwickeln, der Patient hat in der Regel keine Schmerzsymptome [6], es sei denn, die Krankheit ist in ein fortgeschrittenes Stadium fortgeschritten. Es wurde eine erhebliche Menge an Ressourcen und klinischer Zeit aufgewendet, um Patienten zu motivieren und anzuweisen, ihren Mund sauber zu halten, und dennoch sind die Ergebnisse nicht zufriedenstellend. Es ist wünschenswert, eine automatisierte Technik zur täglichen Überwachung der Mundgesundheit einzuführen, damit wir bei Bedarf nach einer Behandlung suchen können.

Die Reaktion der Patienten auf Plaque, die sich am Zahnfleischrand angesammelt hat, ist eine Entzündung, die mehr Blutzellen an die Stelle bringt, um gegen die bakterielle Invasion zu kämpfen [7]. Eine Entzündung des Zahnfleisches äußert sich in verstärkter Rötung (Farbe), Volumenzunahme (Ödem) und Verlust der Oberflächeneigenschaften (Punktierung; Anhaften von Zahnfleischfasern) [8]. Diese erkrankten Stellen können durch visuelle Untersuchung von Zahnärzten identifiziert werden. Darüber hinaus können diese entzündlichen Zahnfleischveränderungen auch durch intraorale Fotografie erkannt werden. Das Ziel dieser Forschung ist es, Techniken der künstlichen Intelligenz (KI) anzuwenden, um Zahnfleischentzündungen anhand intraoraler Fotografien zu erkennen. Da sich die Zielentzündungsstelle am Zahnfleischrand mit unterschiedlicher Form und Größe befindet, ist eine semantische Segmentierung auf Pixelebene erforderlich. Für diese Untersuchung haben wir einige Voruntersuchungen durchgeführt. Das Encoder-Decoder-Netzwerk DeepLabv3+ [9] mit einem leichten Backbone MobileNetV2 [10] wurde übernommen, um eine pixelweise semantische Segmentierung der Zahnfleischentzündung aus den intraoralen Fotos durchzuführen. Die Fotos werden von einem Zahnspezialisten mit mehr als 15 Jahren klinischer Erfahrung indiziert, um die Indexkategoriebilder für das Netzwerktraining zu erhalten.

II. Arbeiten anderer Der erste Versuch zur automatisierten Segmentierung von Zahnfleischerkrankungen aus intraoralen Bildern mit Deep-Learning-Ansatz wird in [11] vorgeschlagen. Es verwendet eine Autoencoder-Netzwerkarchitektur mit Deep Convolution Neural Network. Der verwendete Datensatz umfasst 405 farbunterstützte intraorale Biomarkerbilder von 150 Personen. Bereiche mit gingivaler Entzündung wurden von Zahnärzten markiert und das geschulte Netzwerk kann die Entzündung mit einem Bereich unter der Receiver Operating Characteristic Curve (AUC) von 0,746 vorhersagen. Die Präzisions- und Recall-Werte betragen 0,347 bzw. 0,621. Das Netzwerk wurde mit der Kennzeichnung von erkranktem Zahnfleisch geschult. Einige Zahnsteine ​​wurden auch als erkranktes Zahnfleisch vorhergesagt, da ihre gelbliche Farbe technisch gesehen der von erkranktem Zahnfleisch nahe kommt. Darüber hinaus wurden auch einige Teile des uninteressierten gingivalen Bereichs als erkranktes Zahnfleisch vorhergesagt. Die Gesamtsegmentierung ist nicht zufriedenstellend.

III. Unsere Vorarbeiten Für die Vorstudie wurden intraorale Aufnahmen von Patienten der Fakultät für Zahnmedizin der Universität Hongkong (HKU) gesammelt, die sich einer parodontalen Behandlung unterzogen. Die Studie wurde vom Institutional Review Board der HKU (UW20-230) genehmigt. Insgesamt wurden 110 Standard-Intraoralfotos mit unterschiedlichen Auflösungen gesammelt. Sie werden manuell in verschiedene kleinere Bilder geschnitten, und die Zieletiketten nehmen das größtmögliche Bild ein, was für das Training sehr vorteilhaft ist. Die Größe des zugeschnittenen Bildes wird auf 512×512 vereinheitlicht. Der fertige Datensatz ist in zwei Sätze unterteilt, jeweils 337 Bilder für das Training und 110 Bilder für die Validierung. In Anbetracht der Tatsache, dass es mehrere Bilder gibt, die einem Patienten entsprechen, erscheint beim Teilen des Datensatzes das Bild desselben Patienten nicht in den beiden geteilten Datensätzen. Sie werden in vier Gesundheitszustandsstufen (gesund, fraglich gesund, fraglich krank und krank) eingeteilt und von einem Zahnspezialisten mit mehr als 15 Jahren klinischer Erfahrung verifiziert. Die vorgeschlagene semantische Segmentierungsarchitektur basiert auf dem DeepLabv3+-Netzwerk mit Xception und MobileNetV2 als Backbone. Experimentelle Ergebnisse zeigen die Wirksamkeit des vorgeschlagenen Systems, was eine mögliche Anwendung bei der zahnärztlichen Selbstkontrolle mit einer mobilen App zeigt, insbesondere während der Krankheitpandemie, wo der Besuch von Zahnärzten schwierig oder sogar unmöglich ist. Das vorgeschlagene Netzwerkmodell kann die Kontur des interessierenden gingivalen Bereichs vorhersagen. Die Versuchsergebnisse zeigen, dass das vorgeschlagene Segmentierungsmodell den größten Teil des Zahnfleischentzündungsbereichs genau in vier Kategorien einteilen kann. Das mIoU ist 0,3514. Es wird angenommen, dass durch die Erweiterung des Datensatzes und die Optimierung der Netzwerkstruktur die Leistung weiter verbessert werden kann. Die Forschungsarbeit zum Vorläufigen wurde in [16] veröffentlicht.

IV. Schlüsselfragen und Forschungslücke

A. Es gibt kein ortsspezifisches neuronales Netzwerkmodell mit semantischer Segmentierung auf mehreren Ebenen für die automatische Erkennung von Zahnfleischentzündungen anhand eines intraoralen Fotos.

B. Es gibt keinen gut gekennzeichneten Trainingsdatensatz für die Anwendung der automatischen Erkennung von Zahnfleischentzündungen anhand eines intraoralen Fotos.

Bezug:

1. JK Clarke, "Über den bakteriellen Faktor in der Ätiologie von Zahnkaries", British Journal of Experimental Pathology, vol. 5, nr. 3, S. 141-147, 1924.
2. S. S. Socransky, A. D. Haffajee, "Die bakterielle Ätiologie der destruktiven Parodontalerkrankung: aktuelle Konzepte", Journal of Periodontology, vol. 63, S. 322-331, 1992.
3. W.F. Liljemark, C. Bloomquist, "Menschliche orale mikrobielle Ökologie und Zahnkaries und Parodontalerkrankungen", Critical Reviews in Oral Biology & Medicine, vol. 7, nr. 2, S. 180-198, 1996.
4. H. J. Breen, N. W. Johnson, PA Rogers, "Ortsspezifische Änderung des Attachmentlevels, die durch physische Sondierung bei unbehandelter chronischer Parodontitis bei Erwachsenen festgestellt wurde: Überprüfung der Studien 1982 bis 1997", Journal of Periodontology, vol. 70, Nr. 3, S. 312-328, 1999.
5. H. Löe, „Mundhygiene zur Vorbeugung von Karies und Parodontalerkrankungen“, International Dental Journal, vol. 50, nein. 3, S. 129-139, 2000.
6. L. Croxson, "Parodontales Bewusstsein: der Schlüssel zur parodontalen Gesundheit", International Dental Journal, vol. 43, (2 Suppl 1) S. 167-177, 1993.
7. R. Genco, J. Slots, "Host Responses Host Responses bei Parodontalerkrankungen", Journal of Dental Research, vol. 63, Nr. 3, S. 441-451, 1984.
8. GC Armitage, "Klinische Bewertung von Parodontalerkrankungen", Periodontology 2000, vol. 7, nr. 1, S. 39-53, 1995.
9. LC Chen, Y. Zhu, G. Papandreou, F. Schroff und H. Adam, „Encoder-Decoder with atrous separable convolution for semantic image segmentation“, in Proceedings of the European Conference on Computer Vision (ECCV), 2018, S. 801-818.
10. M. Sandler, A. Howard, M. Zhu, A. Zhmoginov und L. Chen, „MobileNetV2: Inverted Residuals and Linear Bottlenecks“, 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 und P. Shah, „Automated segmentation of gingival disease from oral images“, 2017 IEEE Healthcare Innovations and Point of Care Technologies (HI-POCT), Bethesda, MD, USA, 2017, S . 144-147.
12. O. Ronneberger, P. Fischer, T. Brox, „U-Net: Convolutional Networks for Biomedical Image Segmentation“, in 18th International Conference on Medical Image Computing and Computer-Assisted Intervention (MICCAI), 2015, S. 234-241.
13. B. Zoph, V. Vasudevan, J. Shlens und Q.V. Le, „Learning Transferable Architectures for Scalable Image Recognition“, in 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“, in 2017 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), Honolulu, HI, USA, 2017, S. 1800-1807.
15. M.X. Tan und Q.V. Le, „EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks“, in 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 und C. McGrath, „Automatic Site-Specific multiple level gum disease detection based on deep neural network“, 2021 15th International Symposium on Medical Information and Communication Technology (ISMICT) (ISMICT2021), Xiamen, China, Apr. 2021.