Tekoälyn ikenien terveyden arviointi älypuhelimella

I. Johdanto Yleisimmät hammassairaudet ovat hampaiden reikiintyminen (karies) ja ientaudit (ientulehdus ja parodontiitti). On todisteita siitä, että nämä sairaudet johtuvat hammasplakista (bakteeribiofilmistä) [1]-[3]. Vaikka useimmat potilaat harjaavat hampaansa joka päivä, he eivät voi pitää kaikkia hampaitaan puhtaina. Vaikeasti saavutettavat suun alueet, kuten ruuhkaiset alueet, takahampaat tai hampaidenvälit, kärsivät yleensä (paikkakohtaisista) [4]. Ammattimaisen perusteellisen hampaiden puhdistuksen jälkeen plakki alkaa kerääntyä hampaiden pinnalle lähelle ikenen reunaa muutamassa päivässä. Kliiniset tutkimukset osoittavat, että plakin säännöllinen häiriö on tarpeen ja että ne voivat ehkäistä ja pysäyttää iensairauksia [5]. Hammassairauksien kehittyminen voi kuitenkin kestää vuosia, potilaalla ei yleensä ole kipuoireita [6], ellei sairaus ole edennyt pitkälle. Potilaiden motivoimiseen ja ohjaamiseen on käytetty paljon resursseja ja kliinistä aikaa pitämään suunsa puhtaana, mutta tulokset eivät kuitenkaan ole tyydyttäviä. On toivottavaa ottaa käyttöön automatisoitu tekniikka suun terveyden päivittäiseen seurantaan, jotta voimme hakea hoitoa tarvittaessa.

Potilaat reagoivat ienreunalle kerääntyneeseen plakkiin tulehduksella, joka tuo lisää verisoluja alueelle taistelemaan bakteerien tunkeutumista vastaan ​​[7]. Ienitulehdus ilmenee lisääntyneenä punoituksena (värinä), tilavuuden kasvuna (turvotuksena) ja pinnan ominaisuuksien häviämisenä (näppäily; ikenin kuidun kiinnittyminen) [8]. Nämä sairaat paikat voidaan tunnistaa hammaslääkärien silmämääräisellä tutkimuksella. Lisäksi nämä ientulehdukselliset muutokset voidaan tunnistaa myös intraoraalisella valokuvauksella. Tämän tutkimuksen tavoitteena on soveltaa keinotekoisia älykkäitä (AI) tekniikoita ientulehduksen havaitsemiseen suunsisäisistä valokuvista. Koska kohteena oleva tulehduskohta on ikenen reunalla ja sen muoto ja koko vaihtelevat, tarvitaan semanttista segmentointia pikselitasolla. Tätä tutkimusta varten olemme tehneet alustavia tutkimustöitä. DeepLabv3+ [9] enkooderi-dekooderiverkko kevyellä rungolla MobileNetV2 [10] otettiin käyttöön suorittamaan ientulehduksen semanttinen segmentointi pikselikohtaisesti suunsisäisistä valokuvista. Hammaslääkäri, jolla on yli 15 vuoden kliininen kokemus, indeksoi valokuvat saadakseen indeksikategorian kuvat verkkokoulutukseen.

II. Muiden tekemä työ Ensimmäinen yritys iensairauksien automaattiseen segmentointiin suunsisäisistä kuvista syväoppimismenetelmällä ehdotetaan julkaisussa [11]. Se ottaa käyttöön automaattisen kooderin verkkoarkkitehtuurin syväkonvoluutiohermoverkolla. Käytetty tietoaineisto sisältää 405 värilisättyä intraoraalista biomarkkerikuvaa 150 yksilöltä. Hammaslääkäri merkitsi ientulehduksen alueet ja koulutettu verkosto voi ennustaa tulehduksen vastaanottimen toimintakäyrän alla olevalla alueella (AUC) 0,746. Tarkkuus- ja palautusarvot ovat 0,347 ja 0,621. Verkosto koulutettiin sairaiden ikenien merkitsemiseen. Jotkut hammaskiven ennustettiin myös sairaaksi ikeniksi, koska sen kellertävä väri on teknisesti lähellä sairaiden ikenien väriä. Lisäksi jotkin kiinnostumattomat ienalueen osat ennustettiin myös sairaiksi ikeniksi. Yleinen segmentointi ei ole tyydyttävä.

III. Esityömme Esitutkimusta varten kerättiin suunsisäiset valokuvat Hongkongin yliopiston (HKU) hammaslääketieteellisen tiedekunnan potilaista, joille tehtiin periodonttihoito. Tutkimuksen hyväksyi HKU:n Institutional Review Board (UW20-230). Yhteensä 110 standardia suunsisäistä valokuvaa eri resoluutioilla kerättiin. Ne rajataan manuaalisesti erilaisiksi pienemmiksi kuviksi, ja kohdeetiketit ottavat suurimman mahdollisen kuvan, mikä on erittäin hyödyllistä harjoittelun kannalta. Rajatun kuvan koko on yhtenäistetty 512 × 512:een. Valmis tietojoukko on jaettu kahteen joukkoon, vastaavasti 337 kuvaa koulutusta varten ja 110 kuvaa validointia varten. Kun otetaan huomioon, että yhtä potilasta vastaavia kuvia on useita, joten tietojoukkoa jaettaessa saman potilaan kuva ei näy kahdessa jaetussa tietojoukossa. Ne on luokiteltu neljään terveydentilatasoon (terve, kyseenalainen terve, kyseenalainen sairas ja sairas), ja hammaslääkärin, jolla on yli 15 vuoden kliininen kokemus, todentama. Ehdotettu semanttinen segmentointiarkkitehtuuri perustuu DeepLabv3+-verkkoon, jonka runkoverkona ovat Xception ja MobileNetV2. Kokeelliset tulokset osoittavat ehdotetun järjestelmän tehokkuuden, mikä osoittaa mahdollisen sovelluksen hampaiden itsetarkastukseen mobiilisovelluksella erityisesti tautipandemian aikana, jolloin hammaslääkärikäynti on vaikeaa tai jopa mahdotonta. Ehdotettu verkkomalli voi ennustaa kiinnostuneen ienalueen ääriviivat. Kokeilutulokset osoittavat, että ehdotettu segmentointimalli voi jakaa tarkasti suurimman osan ientulehdusalueesta neljään luokkaan. MIO on 0,3514. Uskotaan, että tietojoukkoa laajentamalla ja verkkorakennetta optimoimalla suorituskykyä voidaan edelleen parantaa. Esiselvitystä koskeva tutkimustyö julkaistiin [16].

IV. Keskeiset kysymykset ja tutkimusvaje

V. Ei ole olemassa monitasoista paikkakohtaista semanttista segmentointia hermoverkkomallia automaattiseen ientulehduksen havaitsemiseen suunsisäisestä valokuvasta.

B. Ei ole olemassa hyvin merkittyä harjoitustietoaineistoa automaattisen ientulehduksen havaitsemiseen suunsisäisestä valokuvasta.

Viite:

1. J.K. Clarke, "On bakteeritekijä hammaskarieksen etiologiassa", British Journal of Experimental Patology, voi. 5, ei. 3, s. 141-147, 1924.
2. S.S. Socransky, A.D. Haffajee, "The bacterial etiology of destructive periodontal disease: current concepts", Journal of periodontology, voi. 63, s. 322-331, 1992.
3. W.F. Liljemark, C. Bloomquist, "Human oral microbial ecology and dental caries and periodontal sairaudet", Critical Reviews in Oral Biology & Medicine, voi. 7, ei. 2, s. 180-198, 1996.
4. H.J. Breen, N.W. Johnson, P.A. Rogers, "Fyysisellä koetuksella havaittu paikkakohtainen kiinnitystason muutos hoitamattomassa kroonisessa aikuisen parodontiittissa: katsaus tutkimuksiin 1982-1997", Journal of periodontology, voi. 70, ei. 3, s. 312-328, 1999.
5. H. Löe, "Suuhygienia karieksen ja periodontaalisen sairauden ehkäisyssä", International Dental Journal, voi. 50, ei. 3, s. 129-139, 2000.
6. L. Croxson, "Periodontal awareness: the key to parodontical health", International dental Journal, voi. 43, (2 Suppl 1) s. 167-177, 1993.
7. R. Genco, J. Slots, "Host Responses Host Responses in Periodontal Diseases", Journal of dental research, voi. 63, nro. 3, s. 441-451, 1984.
8. G.C. Armitage, "Parodontaalisairauksien kliininen arviointi", Periodontology 2000, voi. 7, ei. 1, s. 39-53, 1995.
9. L.C. Chen, Y. Zhu, G. Papandreou, F. Schroff ja H. Adam, "Encoder-decoder with atrous separable convolution for semantic image segmentation", julkaisussa Proceedings of the European Conference on Computer vision (ECCV), 2018, pp. 801-818.
10. M. Sandler, A. Howard, M. Zhu, A. Zhmoginov ja L. Chen, "MobileNetV2: Inverted Residuals and Linear Bottlenecks", vuonna 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 ja P. Shah, "Automated segmentation of gingival betegségek from oral images", vuonna 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", 18th International Conference on Medical Image Computing and Computer-Assisted Intervention (MICCAI), 2015, s. 234-241.
13. B. Zoph, V. Vasudevan, J. Shlens ja Q.V. Le, "Learning Transferable Architectures for Scalable Image Recognition", vuonna 2018 IEEE/CVF-konferenssissa tietokonenäön ja kuvioiden tunnistamisesta, Salt Lake City, UT, USA, 2018, s. 8697-8710.
14. F. Chollet, "Xception: Deep Learning with Depthwise Separable Convolutions", vuonna 2017 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), Honolulu, HI, USA, 2017, s. 1800-1807.
15. M.X. Tan ja Q.V. Le, "EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks", julkaisussa Proceedings of the 36th International Conference on Machine Learning, PMLR, 2019, voi. 97, s. 6105-6114.
16. G.-H. Li, T.-C. Hsung, B. W.-K. Ling, W. Y.-H. Lam, G. Pelekos ja C. McGrath, "Automaattinen paikkakohtainen monitasoinen iensairauksien havaitseminen syvään hermoverkkoon" vuonna 2021, 15. kansainvälinen lääketieteellisen tieto- ja viestintäteknologian symposiumi (ISMICT) (ISMICT2021), Xiamen, Kiina, huhtikuu 2021.