Evaluación de la salud de las encías con IA con un teléfono inteligente

I. Introducción Las enfermedades dentales más prevalentes son la caries dental (caries) y las enfermedades de las encías (gingivitis y periodontitis). Es evidencia de que estas enfermedades son causadas por la placa dental (biofilm bacteriano) [1]-[3]. Aunque la mayoría de los pacientes se cepillan los dientes todos los días, no pueden mantener todos los dientes limpios. Las áreas de la boca que son de difícil acceso, como las áreas apiñadas, los dientes posteriores o las áreas interdentales, generalmente se ven afectadas (específicas del sitio) [4]. Después de una limpieza dental profesional a fondo, la placa comenzará a acumularse en la superficie de los dientes cerca del borde de la encía en unos pocos días. Los estudios clínicos indican que se necesita una interrupción regular de la placa y que puede prevenir y detener la enfermedad de las encías [5]. Sin embargo, las enfermedades dentales pueden tardar años en desarrollarse, el paciente generalmente no tiene ningún síntoma de dolor [6] a menos que la enfermedad haya progresado a una etapa avanzada. Se ha utilizado una cantidad significativa de recursos y tiempo clínico para motivar e instruir a los pacientes para que mantengan la boca limpia y, sin embargo, los resultados no son satisfactorios. Es deseable adoptar una técnica automatizada para monitorear la salud oral diariamente para que podamos buscar tratamiento cuando sea necesario.

La respuesta de los pacientes a la placa acumulada en el margen de la encía es la inflamación, que atrae más células sanguíneas al sitio para luchar contra la invasión bacteriana [7]. La inflamación de las encías se manifiesta como un aumento del enrojecimiento (color), aumento del volumen (edema) y pérdida de las características de la superficie (punteado, unión de las fibras de las encías) [8]. Estos sitios enfermos pueden identificarse mediante el examen visual de los dentistas. Además, estos cambios inflamatorios de las encías también pueden reconocerse mediante fotografías intraorales. El objetivo de esta investigación es aplicar técnicas de inteligencia artificial (IA) para detectar la inflamación de las encías a partir de fotografías intraorales. Dado que el sitio de la inflamación objetivo se encuentra en el margen de la encía con formas y tamaños variados, se necesita una segmentación semántica a nivel de píxel. Para esta investigación, hemos realizado algunos trabajos preliminares de investigación. Se adoptó la red de codificador-decodificador DeepLabv3+ [9] con una red troncal liviana MobileNetV2 [10] para realizar la segmentación semántica por píxeles de la inflamación gingival de las fotografías intraorales. Las fotografías son indexadas por un especialista dental con más de 15 años de experiencia clínica para obtener las imágenes de categoría índice para la capacitación en red.

II. Trabajo realizado por otros El primer intento de segmentación automatizada de enfermedades gingivales a partir de imágenes intraorales con un enfoque de aprendizaje profundo se propone en [11]. Adopta una arquitectura de red de autocodificador con una red neuronal de convolución profunda. El conjunto de datos utilizado comprende 405 imágenes de biomarcadores intraorales aumentadas en color de 150 individuos. Las áreas de inflamación gingival fueron etiquetadas por un profesional dental y la red capacitada puede predecir la inflamación con un área bajo la curva característica operativa del receptor (AUC) de 0,746. Los valores de precisión y recuperación son 0,347 y 0,621, respectivamente. Se capacitó a la red con el marcaje en encía enferma. Algunos cálculos en los dientes también se predijeron como encías enfermas, ya que su color amarillento es técnicamente similar al de las encías enfermas. Además, algunas partes del área gingival desinteresada también se predijeron como encía enferma. La segmentación general no es satisfactoria.

tercero Nuestros trabajos preliminares Las fotografías intraorales de pacientes de la Facultad de Odontología de la Universidad de Hong Kong (HKU), que se sometieron a un tratamiento periodontal, se recopilaron para el estudio preliminar. El estudio fue aprobado por la junta de revisión institucional de HKU (UW20-230). Se recogieron un total de 110 fotografías intraorales estándar con diferentes resoluciones. Se recortan manualmente en diferentes imágenes más pequeñas y las etiquetas de destino ocupan la imagen más grande posible, lo que es muy beneficioso para el entrenamiento. El tamaño de la imagen recortada se unifica a 512×512. El conjunto de datos completo se divide en dos conjuntos, respectivamente, 337 imágenes para entrenamiento y 110 imágenes para validación. Teniendo en cuenta que hay varias imágenes correspondientes a un paciente, al dividir el conjunto de datos, la imagen del mismo paciente no aparecerá en los dos conjuntos de datos divididos. Están etiquetados en cuatro niveles de estado de salud (sano, saludable cuestionable, enfermo cuestionable y enfermo) y verificados por un especialista dental con más de 15 años de experiencia clínica. La arquitectura de segmentación semántica propuesta se basa en la red DeepLabv3+ con Xception y MobileNetV2 como columna vertebral. Los resultados experimentales muestran la efectividad del sistema propuesto, que muestra una posible aplicación en el autocontrol dental utilizando una aplicación móvil, particularmente durante la pandemia de la enfermedad, donde la visita al dentista es difícil o incluso imposible. El modelo de red propuesto puede predecir el contorno del área gingival interesada. Los resultados del experimento muestran que el modelo de segmentación propuesto puede dividir con precisión la mayor parte del área de inflamación de las encías en cuatro categorías. El mIoU es 0.3514. Se cree que al expandir el conjunto de datos y optimizar la estructura de la red, el rendimiento se puede mejorar aún más. El trabajo de investigación sobre el preliminar fue publicado en [16].

IV. Cuestiones clave y brecha de investigación

A. No existe un modelo de red neuronal de segmentación semántica específica del sitio de múltiples niveles para la detección automática de inflamación gingival a partir de fotografías intraorales.

B. No existe un conjunto de datos de entrenamiento bien etiquetado para la aplicación de la detección automática de inflamación gingival a partir de fotografías intraorales.

Referencia:

1. J.K. Clarke, "Sobre el factor bacteriano en la etiología de la caries dental", Revista británica de patología experimental, vol. 5, núm. 3, págs. 141-147, 1924.
2. SS Socransky, AD Haffajee, "La etiología bacteriana de la enfermedad periodontal destructiva: conceptos actuales", Journal of periodontology, vol. 63, págs. 322-331, 1992.
3. W. F. Liljemark, C. Bloomquist, "Ecología microbiana oral humana y caries dental y enfermedades periodontales", Critical Reviews in Oral Biology & Medicine, vol. 7, núm. 2, págs. 180-198, 1996.
4. HJ Breen, NW Johnson, PA Rogers, "Cambio en el nivel de inserción específico del sitio detectado mediante sondeo físico en periodontitis crónica adulta no tratada: revisión de estudios 1982-1997", Journal of periodontology, vol. 70, núm. 3, págs. 312-328, 1999.
5. H. Löe, "Higiene bucal en la prevención de la caries y la enfermedad periodontal", Revista dental internacional, vol. 50, núm. 3, págs. 129-139, 2000.
6. L. Croxson, "Conciencia periodontal: la clave para la salud periodontal", International dental journal, vol. 43, (2 Suplemento 1) págs. 167-177, 1993.
7. R. Genco, J. Slots, "Respuestas del anfitrión Respuestas del anfitrión en enfermedades periodontales", Journal of dental research, vol. 63, núm. 3, págs. 441-451, 1984.
8. G. C. Armitage, "Evaluación clínica de las enfermedades periodontales", Periodontology 2000, vol. 7, núm. 1, págs. 39-53, 1995.
9. L.C. Chen, Y. Zhu, G. Papandreou, F. Schroff y H. Adam, "Encoder-decoder with atrous separable convolution for semantic image segmentation", en Actas de la conferencia europea sobre visión artificial (ECCV), 2018, págs. 801-818.
10. M. Sandler, A. Howard, M. Zhu, A. Zhmoginov y L. Chen, "MobileNetV2: Residuales invertidos y cuellos de botella lineales", en la Conferencia IEEE/CVF de 2018 sobre visión artificial y reconocimiento de patrones, Salt Lake City, UT, EE. UU. , 2018, págs. 4510-4520.
11. A. Rana, G. Yauney, L.C. Wong, O. Gupta, A. Muftu y P. Shah, "Segmentación automatizada de enfermedades gingivales a partir de imágenes orales", en 2017 IEEE Healthcare Innovations and Point of Care Technologies (HI-POCT), Bethesda, MD, EE. UU., 2017, págs. . 144-147.
12. O. Ronneberger, P. Fischer, T. Brox, "U-Net: redes convolucionales para la segmentación de imágenes biomédicas", en la 18.ª Conferencia internacional sobre computación de imágenes médicas e intervención asistida por computadora (MICCAI), 2015, págs. 234-241.
13. B. Zoph, V. Vasudevan, J. Shlens y Q.V. Le, "Aprendizaje de arquitecturas transferibles para el reconocimiento escalable de imágenes", en la Conferencia IEEE/CVF de 2018 sobre visión artificial y reconocimiento de patrones, Salt Lake City, UT, EE. UU., 2018, págs. 8697-8710.
14. F. Chollet, "Xception: aprendizaje profundo con circunvoluciones separables en profundidad", en la Conferencia IEEE de 2017 sobre visión por computadora y reconocimiento de patrones (CVPR), Honolulu, HI, EE. UU., 2017, págs. 1800-1807.
15. MX Tan y Q.V. Le, "EfficientNet: Replanteamiento del escalado de modelos para redes neuronales convolucionales", en Actas de la 36.ª Conferencia internacional sobre aprendizaje automático, PMLR, 2019, vol. 97, págs. 6105-6114.
16. G.-H. Li, T.-C. Hsung, B.W.-K. Ling, W. Y.-H. Lam, G. Pelekos y C. McGrath, "Detección automática de la enfermedad de las encías en múltiples niveles y específica del sitio basada en una red neuronal profunda", en el 15.º Simposio internacional sobre tecnología de la información y la comunicación médica (ISMICT) de 2021 (ISMICT2021), Xiamen, China, Abr. 2021.